Часть 3 Сериала, где я беру интервью у своих наставников.
Совсем недавно я начал добиваться определенных успехов в своем Путешествии по самообучению по машинному обучению. Но, честно говоря, это было бы вообще невозможно без замечательного онлайн-сообщества и замечательных людей, которые мне помогли. В этой серии сообщений в блоге я разговариваю с людьми, которые действительно вдохновили меня.
Людей, на которых я равняюсь, которых я учусь и с которыми работаю.
Мотивация, стоящая за этим, заключается в том, что вы можете увидеть некоторые закономерности и, надеюсь, вы сможете поучиться у замечательных людей, у которых мне посчастливилось учиться.
В этом интервью я разговариваю с Аакашем Кумаром Найном, экспертом по ядрам kaggle, специалистом по анализу данных, инженером по глубокому обучению. (Также подземный гроссмейстер CS: Source)
Саньям: Привет, Аакаш! Спасибо за интервью.
Аакаш: Привет, Саньям, спасибо, что пригласил меня.
Саньям: Вы один из самых крутых выпускников колледжа из Индии, которых я знаю.
Не могли бы вы рассказать читателям больше о себе?
Аакаш: Спасибо за комплимент. Что ж, как профессионал я специалист по данным. Я люблю решать сложные задачи с помощью машинного обучения. Еще одно мое хобби - играть с данными, а компьютерное зрение - моя любимая область. Питон - единственная настоящая любовь в моей жизни. Кроме того, я спортсмен, футболист, путешественник по совместительству и заядлый читатель. Философия - мой второй фаворит после компьютерных наук.
Саньям: Замечательно.
Вы также пристрастились к наркотику для юридических данных - Kaggle. Не могли бы вы рассказать нам немного о своем приключенческом путешествии? Что до такой степени заинтересовало вас в искусственном интеллекте, что вы решили заняться им как карьерой?
Аакаш: Ха! Да ты прав. Я полностью зависим от этого. Мое путешествие в Kaggle немного отличается от пути большинства людей. Когда я учился на предпоследнем курсе колледжа, один из моих старших показал мне самостоятельную игру Марио, которая была обучена с использованием обучения с подкреплением. В то время эта вещь буквально взорвала мой разум. Я начал посещать онлайн-курсы по машинному обучению. Проблема в том, что ни один из курсов не дает вам практического опыта решения сложных проблем. Именно тогда я услышал о Kaggle. Я присоединился к Kaggle в январе 2016 года. Вначале я чувствовал себя совершенно подавленным и какое-то время не участвовал ни в каких соревнованиях. Выполнив несколько небольших и простых задач, я принял участие в соревнованиях в июле 2016 года. Я присоединился к сообществу KaggleNoobs и начал задавать людям очень новаторские вопросы, чтобы прояснить и получить твердое понимание основных концепций. С тех пор путешествие было довольно интересным.
Саньям: Мне очень нравится учиться на ваших ядрах. Не могли бы вы подробнее рассказать о мотивации их написания? Сколько усилий уходит на то, чтобы закулисно?
Аакаш: Наука о данных и машинное обучение - обширные области. Для новичка путь почти всегда непосильный, и это мой личный опыт. Обмен знаниями - важная часть самообучения. Кроме того, наш долг - отдать должное сообществу, которое всегда было рядом с вами. Именно поэтому я начал писать ядра. Каждый раз, когда я пишу ядро, я убеждаюсь, что оно содержит что-то новое, чего другие еще не пробовали.
Что касается усилий, я бы сказал, что написание качественного ядра требует огромных усилий. Например, я могу написать простое ядро за несколько часов, но чтобы убедиться, что код чистый, оптимизированный и соответствует лучшим практикам, это может занять несколько дней.
Саньям: Я так понимаю, что я из той же страны, что и AI Hiring редко. Тем не менее, что заставило вас сделать выбор в пользу этой карьеры?
Аакаш: Когда вы ищете работу, вы всегда должны учитывать две вещи:
1) ваш личный интерес.
2) Объем вашей работы и темпы роста
Вы должны заниматься любимым делом. Когда я учился в колледже, я изучал программирование, потому что в то время я хотел быть основным разработчиком, затем я попробовал веб-программирование, но ничто не волновало меня больше, чем машинное обучение. Именно тогда я решил, что буду работать только в области Data Science и Machine Learning.
Саньям: Я думаю, мы оба согласны с тем, что возможности машинного обучения в Индии в настоящее время очень редки для новичков. Что бы вы посоветовали нашим юниорам, желающим устроиться на работу в поле?
Аакаш: Я бы исправил первое утверждение следующим образом: «Возможности машинного обучения в Индии в настоящее время очень редки». Это не значит, что вакансий нет. Проблема в том, что каждый хочет быть инженером по машинному обучению, и каждая компания хочет применять машинное обучение в своей работе, потому что они думают, что это «круто». Вдобавок ко всему, даже когда сама компания не знает, что делает с машинным обучением, требования к должности включают «5+ лет опыта в машинном обучении». Итак, проблема находится на другом конце.
Я уже говорил, что машинное обучение - обширная область. В рамках машинного обучения существует множество дисциплин, таких как компьютерное зрение, обработка естественного языка, речь и т. Д. Не пытайтесь быть экспертом в каждой дисциплине. Каждое из этих подполей очень разнообразно, и в рамках одного подполя можно изучить слишком много вещей. Вы должны выбрать тот, который вас больше всего интересует, но в то же время вы должны знать основные концепции, используемые и в других подполях.
Саньям: Исходя из нашего предыдущего разговора, мы оба согласились с точкой зрения, что онлайн-обучение является равно хорошей, если не лучшей альтернативой магистратуре. Вы можете поделиться своими мыслями по этому поводу?
Как вы думаете, Kaggle может подготовить вас к должности в области Data Science лучше, чем степень магистра?
Аакаш: сегодня в Интернете доступны два типа онлайн-курсов. Первые - это те, которые покрывают «ширину», а вторые - те, которые покрывают «глубину». Например, курсы Udacity покрывают всю ширину. Они научат вас почти всем аспектам, но ни один из них не будет рассмотрен подробно. С другой стороны, курсы coursera хороши, если вы хотите углубиться в некоторые аспекты, но они не охватывают все необходимые элементы. Это главное узкое место на сегодняшний день. Когда дело доходит до онлайн-курса, найти все, что требуется для изучения в одном месте, немного сложно. Плюс нет ничего дешевого. Онлайн-курсы не такие дорогие, как магистерские, но они дорогие.
Соревноваться на Kaggle и выбрать Masters - это две совершенно разные вещи. Первый помогает вам лучше пробовать разные вещи и быть узнаваемым более широкой аудиторией, а второй помогает, если не лучше, проводить исследования. Некоторым людям нравится снова учиться в колледже, в то время как другие предпочитают практический опыт и ежедневное решение проблем.
Саньям: Прежде чем мы закончим, что еще вы хотели бы сказать читателям?
Аакаш: Мы живем в невероятное время, учитывая прогресс, которого мы достигли в машинном обучении за последние несколько лет, особенно в глубоком обучении. Когда вы самоучка, все может быть очень ошеломляющим. Путь к тому, чтобы стать инженером по машинному обучению или специалистом по данным, прост, но путь к тому, чтобы стать очень хорошим инженером по машинному обучению / специалистом по данным, совсем не прост. В какой-то момент вы также почувствуете себя подавленным, наблюдая за продолжающимся объемом исследований. Ничего страшного, если ты так думаешь. Всегда нужно помнить только о двух вещах:
1) Ваш успех не зависит от других и наоборот.
2) Никогда не стесняйтесь и не бойтесь спрашивать даже самые простые вещи. Если вы не спрашиваете, значит, вы мешаете вашему прогрессу.
Аакаш: KaggleNoobs Slack - лучшее место для связи. Хотя я тоже активен в Твиттере, но для общения твиттер не использую вообще.
Саньям: Большое спасибо за беседу во время этого интервью.
Kaggle Noobs - лучшее сообщество для kaggle, где вы можете найти Aakash, Kaggle Grandmasters, Masters, Experts, и это сообщество, где приветствуются даже такие новички, как я.
Присоединяйтесь, если вы хотите стать таким экспертом, как Аакаш.
Если вам это показалось интересным и вы хотели бы стать частью Моего пути обучения, вы можете найти меня в Twitter здесь.
