Это часть серии Наставничество для начинающих от PathFinder. Сегодняшняя статья будет о Санкете — Стэнфордском кандидате компьютерных наук (медицинский искусственный интеллект)
PathFinder стремится обеспечить прозрачность различных профессий в технологической индустрии. Есть 3 типа статей в блогах, о которых мы будем писать.
- Наставничество в начале карьеры — лайкните эту статью. Направлено на студентов колледжей / новых выпускников. Можно сосредоточиться на таких темах, как стажировка, работа для выпускников и успехи на первой работе/стажировке.
- Наставничество для пожилых людей. Мы берем интервью у людей с более чем 8-летним опытом работы в отрасли и затрагиваем такие темы, как продвижение по службе, смена работы, переход к управлению и т. д.
- Объяснение специализации. Мы берем интервью у человека с опытом работы более 4 лет, чтобы подробно рассказать о конкретном направлении карьеры или специальности. Это может быть UIUX, наука о данных, робототехника, полный стек, буквально что угодно. Это поможет вам исследовать соседние карьерные пути и открыть для себя новые интересы.
Подпишитесь здесь, если вы хотите читать больше подобного контента. Мы только начинаем эту новую серию блогов и будем регулярно добавлять много контента. Мы любим отзывы и запросы блога!
Мы стремимся предоставлять качественный, полезный и лаконичный контент, чтобы вы могли изучить его и применить в своей карьере.
Можете представиться?
Я аспирант компьютерных наук в Стэнфордском университете. Я работаю в Лаборатории медицинского искусственного интеллекта и компьютерного зрения (MARVL) под руководством профессора Серены Йенг. Мое текущее исследование сосредоточено на использовании компьютерного зрения и глубокого обучения для клеточной визуализации. Я специализировался в CS в BITS Pilani, кампус Гоа в Индии, и мои предыдущие исследования охватывали несколько областей, включая вычислительную геномику и протеомику, а также параллельные вычисления.
Что должны сделать другие, чтобы также поступить в Стэнфордскую программу докторантуры по компьютерным наукам?
Важнейшим фактором при приеме в аспирантуру является продемонстрированный исследовательский потенциал. Успешные соискатели обычно имеют значительный исследовательский опыт, о чем свидетельствуют их проекты, опубликованные статьи и диссертации. Их консультанты также пишут убедительные рекомендательные письма, которые свидетельствуют об их исследовательских способностях и академической успеваемости. Я бы посоветовал потенциальным абитуриентам как можно раньше участвовать в формальных исследованиях с профессором и, при желании, пройти углубленный курс в специализированной области.
Почему вы решили получить докторскую степень?
Будучи студентом, мне очень нравилось работать над сложными открытыми задачами, и это привело к осознанию того, что я хочу продолжить карьеру в области исследований, а не разработки программного обеспечения (как ожидается от большинства студентов CS). Наличие докторской степени почти всегда является обязательным условием, если вы хотите стать ученым-исследователем в промышленности или если вы хотите стать профессором. Подача заявки на получение степени доктора философии была логичным следующим шагом, поскольку докторская степень в основном предполагает углубление в область специализации, и это, казалось, хорошо соответствовало моим интересам.
Что вы посоветуете, как получить максимальную отдачу от учебы в бакалавриате?
Большинство курсов колледжа не охватывают практические навыки, необходимые для достижения успеха в профессиональной среде. Студенты должны сосредоточиться на самостоятельном приобретении рыночных навыков, которые ценятся в отрасли. В Интернете доступно много высококачественного бесплатного контента, который может помочь им приобрести эти навыки. Я бы также рекомендовал пройти стажировку, чтобы получить практический опыт, а также сосредоточиться на развитии мягких навыков, таких как письмо, общение, командная работа и сотрудничество.
Какова область ваших исследований? О чем ваш исследовательский проект?
Я разрабатываю методы Computer Vision для изучения влияния нейродегенеративных и вирусных заболеваний на молекулярный механизм клетки. Эти методы охватывают 3 области:
1. Самоконтролируемое обучение — обучающие модели для автоматического определения субклеточных структур в необработанных данных и их группировки по широким категориям без дополнительной информации.
2. Полууправляемое обучение и активное обучение — обучающие модели с небольшим количеством аннотированных вручную данных и определение того, какие точки данных должны быть приоритетными для аннотирования людьми-экспертами.
3. Адаптация предметной области — построение моделей, которые хорошо работают в различных условиях, вызванных различиями в визуализации, подготовке образцов, патологических состояниях, типах клеток и организмах.
Что вызвало у вас интерес к медицинскому ИИ и компьютерному зрению?
Прежде чем присоединиться к моей программе PhD, у меня был большой опыт исследований на стыке искусственного интеллекта и биологии. Вскоре после того, как я начал работу над диссертацией, разразилась пандемия, и я приостановил свои исследования, чтобы позаботиться о своей семье. Мне пришлось совершить бесчисленное количество поездок в больницы, и я понял, насколько ИИ может помочь улучшить существующие системы и сделать здравоохранение более доступным. Вернувшись к своей программе PhD, я решил изучить медицинский ИИ и компьютерное зрение.
Вашим предыдущим исследованием были геномика/протеомика/параллельные вычисления, что заставило вас перейти на компьютерное зрение?
Когда я присоединился к своей программе PhD, у меня была возможность попеременно работать в нескольких лабораториях, чтобы выяснить, какие исследования я хотел бы проводить в течение следующих нескольких лет. Мне было трудно найти подходящую пару из-за пандемии, и мне пришлось взять небольшой отпуск. Когда я вернулся, я работал в Лаборатории медицинского искусственного интеллекта и компьютерного зрения и почувствовал, что это отлично подходит для моих развивающихся интересов.
Каковы ваши карьерные планы на ближайшие 5 лет? Следующие 10 лет?
Я с нетерпением жду карьеры ученого-исследователя после выпуска. Я хотел бы использовать свой опыт в области компьютерного зрения для создания систем, которые могут сотрудничать с людьми для изучения информации, относящейся к предметной области. У меня нет конкретных долгосрочных планов, но я склоняюсь к карьере в области компьютерных наук. В мире, который становится все более автоматизированным, существует острая потребность в увлеченных своим делом инструкторах, которые могут преподавать компьютерные науки глобальной аудитории, особенно людям, которые могут не иметь доступа к формальному университетскому образованию.
Есть ли какие-нибудь заключительные мысли или советы для более молодой аудитории, которая также делает карьеру в машинном обучении?
Не игнорируйте математические основы машинного обучения — это очень важно для понимания возможностей и препятствий при использовании машинного обучения для решения задач. Если вы хотите глубже понять, как все работает, попробуйте реализовать алгоритмы машинного обучения с нуля — это недооцененное упражнение.
Получите как можно больше практического опыта, изучив основы. Попробуйте запачкать руки наборами данных из реального мира или, что еще лучше, поскребите Интернет и соберите свой собственный набор данных. Создание портфолио ваших работ будет иметь большое значение для начала вашей карьеры.
Подпишитесь здесь,если вы хотите не только читать больше подобного контента, но и задавать вопросы напрямую нашим собеседникам на нашей платформе. В ближайшее время наши собеседники проведут сеансы AMA на нашей платформе. Это также новая серия блогов, в которой будет регулярно появляться много контента.