Программа Машинное обучение для инженеров-наностепеней (MLND)

В моем последнем посте я объяснил, как я прошел курс Введение в машинное обучение с Udacity и был мотивирован для участия в программе MLND.
Сейчас я работаю. в качестве гражданского ученого-компьютерщика в Кот-д'Ивуаре. Моя должность очень стабильна, гарантирована на несколько десятков лет, но прямо не подразумевается в ИИ. Поэтому я занимаюсь этой областью самостоятельно, поскольку я увлечен исследованиями в области когнитивных вычислений.

Теперь я продолжаю говорить об основных инженерных навыках машинного обучения, предоставляемых программой, и о том, почему ее стоит попробовать. Действительно, после Введение в машинное обучение существует несколько онлайн-курсов, в том числе бесплатных.
Зачем брать на себя программу MLND?

Сначала я рассмотрю ориентацию программы.
Это программа продвинутого уровня по сравнению с вводной программой среднего уровня.
Как вы могли видеть на странице программы, Машинное обучение (МО) представляет собой ключевой этап эволюции в области компьютерных наук, анализа данных, разработки программного обеспечения и искусственного интеллекта. Таким образом, продвинутый уровень должен означать острые технические методы, чтобы заставить все эти области работать вместе.
После моего завершения я могу сказать, что это настоящая инженерная программа, предназначенная для тех, кто хочет приобрести готовые к работе навыки для непосредственной работы. в поле или преследуют свои собственные цели.
С другой стороны, сама стратегия обучения. Программа предоставляет отзывы экспертов по машинному обучению о различных реальных проектах, а также поддержку карьеры в виде дополнительных курсов.
Это не означает, что эксперты выполняют работу за студентов, есть некоторые требования, которые необходимо соблюдать. Они обеспечивают руководство, переориентацию, совет. Если вы не сможете выполнить эти требования, вы можете прожить даже два года без получения наностепени (Есть Кодекс чести).

Таким образом, MLND — идеальное соответствие между теорией и практикой в ​​области машинного обучения. Инженер в этой области должен быть в состоянии глубоко понимать алгоритмы (Наивный Байес, SVM, PCA, KMeans и т. д.) и различные подмножества машинного обучения (Обучение с учителем, Обучение без учителя, Укрепление Обучение, глубокое обучение). Таким образом, он сможет разрабатывать новые проблемы из реальной жизни и предлагать наилучшие решения для них. Именно это и обеспечивает программа. Для инженера просто работа над проектами без этого соответствия между теорией и практикой очень ограничивает.

По сравнению с очными программами, MLND ориентирован на отрасль (реальные проекты ИИ) и ориентирован на исследования (предложения и написание статей). Действительно, в дополнение к реальным проектам программа учит, как писать современные предложения и документы.
Я прошел 5-летнюю программу обучения инженеров с личным участием. в моей стране (Кот-д'Ивуар), чтобы стать сетевым инженером. И на каждом этапе есть несколько тестов и проверок, просматриваемых учителями, пока после обучения у студента не появится возможность работать над своей защитой в качестве сетевого инженера. И я думаю, что онлайн-программа Udacity MLND наиболее близка к этим очным программам.

И после того, как вы изучили и освоили предмет (современные методы в области машинного обучения), последний шаг к получению диплома — применить свои знания в выбранном вами проекте ( завершающий камень), что эквивалентно степени магистра инженерной защиты для этой онлайн-программы. Но здесь он ориентирован на профессиональное предложение и написание статьи (ориентированной на исследования).
Заключительный проект расширенного курса глубокого обучения, включенного в лекции, обычно предлагается студентам для их изучения. ключевой проект (Создать приложение для прямой трансляции, которое может интерпретировать числовые строки в реальных изображениях), или они могут работать над собственной идеей проекта.

Лично я выбрал работу над проектом Возрастная и гендерная классификация. Это футуристическая область, подразумеваемая в приложениях безопасности, и исследования в этой области все еще активно продолжаются.
Поэтому я применил полученные навыки, чтобы построить его, используя необходимые доступные ресурсы (подходящий открытый набор данных, вычислительные ресурсы и т. д.). И когда все было в порядке, я предложил его для проекта Capstone.
Для этого конкретного проекта Capstone инструменты, предоставленные MLND, которые я использовал в процессе машинного обучения, перечислены ниже:

- Supervised Classification
- Data Exploration
    --> Feature Observation : Identify and build feature and target columns from the dataset.
    Using labeled face images (the Adience benchmark), I have been able to recreate a new Unified dataset of new features and labels to fit my models.
- Data Visualization (Unified dataset, Training set and Test set visualization)
- Performance Metric (Loss and Accuracy Scores)
- Shuffle and Split Data : Training and Testing Data Split (sklearn train_test_split tool)
- Training Models (TFLearn and Tensorflow Keras models)
- Model Evaluation and Validation (Loss and Accuracy)
- Analyzing Model Performance (Tensorboard and Training history Visualization)
    --> Learning Curves
    --> Complexity Curves
- Making Predictions (of correct labels)
- Model Optimization - Model Tuning (optimizer, activation, loss and regularization functions, number of epoch, etc. )
- Training computational cost (Big-O complexities of common algorithms used in Computer Science)

And the intended main contribution of my work had been:
- Provide simple and easy to use tools for dataset preprocessing, considering different Machine Learning Frameworks requirements (Custom Data Preprocessing and visualization functions, prediction interpretation functions, etc.).
- Assemble the prediction process in one step for both predictions, age and gender (instead of separate networks: age network and gender network).
- Turning the implementation in video and mobile application (all process resources provided).
- Models' performances : 97% accuracy with the tuples model and about 60% of exact accuracy with the 2-hot labels model (Beat the true accuracies of previous research work in the field).
- Fully reproducible paper, with full Python implementation code available. Could be applied to any age dataset with more age classes.
All on my Github Age and Gender Classification project.

Программа рассчитана на 6 месяцев, и вы можете вернуть половину стоимости обучения, если завершите ее в течение 12 месяцев с момента первой подписки. Но разрешается тем, кто может выполнить его не менее чем за 2 месяца (не меньше). И я думаю, что если вы будете следовать всем лекциям и выполнять все викторины и проекты, вы не сможете закончить это раньше.

Итак, после моего кульминационного пункта, за 3 месяца участия в программе MLND (3 месяца подписки прошли в работе), я выпустился и теперь имею необходимые исследовательские способности для работы над моим над любым другим реальным проектом в области машинного обученияи писать профессиональные предложения и документы для моих реализаций. Я могу не только использовать расширенные API, но и создавать собственные модели машинного обучения с нуля и/или вносить свой вклад в улучшение существующих систем.
Я горжусь этим и благодарю Udacity за MLND.