Почему и как найти "свой" район

Машинное обучение может быть непосильным. Я разговаривал с ученым-исследователем (он же со степенью доктора философии) в моей компании, и она упомянула, что она чувствует себя неуверенно в своих навыках машинного обучения. Есть так много, чтобы сделать. Так многому нужно учиться каждый день. Такое чувство не зависит от того, на каком этапе карьеры вы находитесь. Независимо от того, начинаете ли вы, учитесь в аспирантуре или уже работаете в отрасли. На любом этапе вашей карьеры вам необходимо иметь свою нишу или «свою область деятельности».

Во-первых, давайте попробуем понять, почему важно иметь собственную нишу и помогать ориентироваться в вариантах карьеры в сфере машинного обучения.

Онлайн-курсы не добавляют ценности

Онлайн-курсы повышают ценность ваших личных знаний, но не вашего резюме.

С сегодняшнего дня все создают классификатор обнаружения изображений в курсе Coursera.

Наличие этого в вашем резюме не принесет особой пользы. Что касается обучения, эти курсы структурированы и удобны для начала. Но, в конце концов, вам нужно создать что-то свое, чтобы лучше понять тему и получить преимущество над другими людьми на собеседовании.

Ниши помогают фильтровать аспирантуру и вакансии

Я часто задаю этот вопрос-

Как мне решить, в какую аспирантуру подать заявление?

Мой ответ - фильтр по темам. Большинство университетов предлагают широкий выбор курсов по определенной теме. Убедитесь, что вы фильтруете в соответствии с вашими интересами. Посмотрите на предлагаемые курсы и проверьте, интересуют ли они вас (потому что вы собираетесь потратить много времени на их изучение).

Это также помогает отфильтровать типы вакансий, для которых вы "хорошо подходите", и увеличивает ваши шансы на трудоустройство.

Помогает ответить, над чем вы работаете?

Первый навязчивый вопрос в большинстве интервью мне задавали ~ Над чем вы работаете?

Как кто-нибудь ответит на это, если он работал над 10 разными темами и знает отрывки о каждой из них.

Большинству интервьюеров нравится углубляться в один из ваших проектов и говорить о нем до конца интервью.

Например, когда я проходил собеседование на различные должности, мой опыт в мультимодальном обучении и графических нейронных сетях помог мне получить мою текущую должность, хотя моя работа не имеет прямого отношения к этим областям.

Ниши со временем станут вашим навыком

Сегодня все являются специалистами по анализу данных. Что отличает вас от других, так это ваша специализация. Если человек знает Активное обучение помимо основных тем в машинном обучении, он может принести пользу команде в этой конкретной области. Он отделяет вас от других. Все запросы, касающиеся этого конкретного домена, адресованы вам, и это помогает укрепить доверие в вашей группе.

Теперь, когда вы в некоторой степени убедились в том, почему важно найти свою область знаний, давайте посмотрим, как можно найти свою? Доктор Хима Лаккараджу, доцент Гарвардского университета, сказала в своем недавнем интервью

Спрашивать о лучшей теме в ML - это все равно, что спрашивать, есть ли способ, которым я могу попытаться оптимизировать свою жизнь (или тему моего исследования), чтобы получить премию Тьюринга? Простой ответ - Нет.

В такой быстро меняющейся сфере нет возможности оптимизировать ваши темы до самых интересных, которые также будут полезны спустя годы. Тенденции меняются с годами, и это непрерывный процесс обучения. Но вот чему я следил на протяжении многих лет.

  • Получение списка тем. Вы можете найти текущие «горячие» темы на семинарах, учебных курсах и конференциях. Например, в этом году я посетил ICML и первым делом посмотрел на все проводимые семинары и обучающие программы. Мастер-классы обычно представляют неопубликованные работы и отлично подходят для получения представления о будущих тенденциях.
  • Обучение с помощью учебных пособий. Я считаю, что один из лучших способов углубиться в тему - это обучение по учебным пособиям. Они предоставляют отличный график текущих исследований и предыдущей проделанной работы.
  • Поиск реализаций кода - я нахожу широко используемые библиотеки в этой области и пробую некоторый базовый код. Затем я пытаюсь бегло просмотреть исследовательскую реализацию некоторых основных работ. Это очень личное, но пока я этого не сделаю, я не чувствую себя полностью удовлетворенным изучением фактического рабочего процесса по теме. Очевидно, здесь все по-другому, если вы работаете над теоретической стороной дела.
  • Первый проект: Найдите самую основную проблему в данной области и реализуйте ее. Это помогает лучше понять, в чем проблема, и запачкать руки с кодом. Допустим, вы хотите погрузиться в графические нейронные сети. Попробуйте получить доступ к широко используемым графическим данным и построить простейшую GNN в Numpy или Torch Geometric.
  • Начать работу. Лучше всего учиться у самих экспертов. Свяжитесь с людьми на местах и ​​задайте им соответствующие вопросы. При этом нельзя рассылать обычные электронные письма и спамить людям, это никому не помогло. И на спам никто не отвечает. Вы можете задать несколько вопросов, например: "Не могли бы вы прокомментировать объем поля". «Каковы некоторые применения этой темы в отрасли», «Какое наименьшее расширение предлагаемого вами подхода?», «Какие ваши любимые статьи по этой теме?»
  • Начало работы - Теперь, когда вы узнали все, вы можете приступить к реализации своих собственных идей.