150 дней до реального опыта и достижений.
Это будет 🤮 поездка, так что будьте готовы чувствовать себя некомфортно! (Соуи)
Я приношу вам свою личную дорожную карту с избранными ресурсами, за которые я следил / за которые ручаюсь. Кроме того, в центре внимания моя история бакалавриата, начиная с абсолютного новичка и заканчивая отличной исследовательской стажировкой за границей в области машинного обучения/ИИ.
☣ ОТКАЗ ОТ ОТВЕТСТВЕННОСТИ:
Его дорожная карта основана на следующих личных принципах:
- УЧИТЬСЯ ПО ТРЕБОВАНИЮ. Не пользуйтесь MOOCS, книгами и учебными пособиями. Нет смысла перегружать себя всей той информацией и знаниями, которые мы не будем использовать или применять. Приступайте к практическим проектам как можно скорее.
- БУДЬТЕ НАСТОЙЧИВЫМИ: мы инженеры! Мы разбираемся.
- Возьмите на себя инициативу, ДВИГАЙТЕСЬ быстро И ИСПОЛЬЗУЙТЕ жестко.
- Внимательно выбирайте наставников.
Итак, 150 дней, разделенных на 4 этапа!
Фаза — 1: Основы внедрения (40 дней)
☕ Моя история:
Первокурсник в IIT Mandi…
Мыслительный процесс каждого здравомыслящего смертного (включая меня):
Разберитесь с основами 👉 Создайте прочную теоретическую основу для практических знаний 👉 Получите идеи и хорошие проекты 👉 Получите реальный опыт.
☝ — это АБСОЛЮТНЫЙ МУСОР!
Я делаю это заявление после трех лет исследований в области компьютерного зрения и искусственного интеллекта.
К счастью, мой научный руководитель (и первый наставник-профессор) поместил меня вместе с магистрантом для работы над проектом CV/DL, даже когда я ничего не знал об ML.
У меня получилось просто отлично 😂… Итак,
Новый (безумный)-смертный процесс «действия»:
Начинайте работу еще до ее получения! 😵
“Но Арианннннн?? Что это вообще значит????🤯”
- Если вы учитесь в университете; приглашать всех и каждого профессора для совместной работы над одним из их текущих проектов.
- Если вы работаете на несвязанной работе или безработный, свяжитесь с командами машинного обучения, инженерами машинного обучения или найдите работу, связанную с машинным обучением, для совместной работы!
- Чтобы поплакать, найдите внештатную работу, просмотрите описания вакансий, для которых вы не подходите, но считаете их крутыми — начните создавать эти проекты самостоятельно.
Это ГЛАВНАЯ ЦЕЛЬ этапа 1: 🎯
Найти и начать работу над проектом. Желательно постоянно.
Теперь приступим к дополнительным, но обязательным действиям, которые вы будете выполнять при поиске/работе над основным проектом, о котором мы говорили выше:
- learnpytorch.io: отличный ресурс, который даст вам представление о полном жизненном цикле проекта машинного обучения, бумажной репликации и развертывании модели. Кроме того, просмотрите все дополнительные ресурсы, если сможете!
✅ Вы также получите 3 мини-проекта.
📌 ВАЖНО: выполняйте упражнения по каждой главе! Чтение совсем не поможет.
2. Немного о графических процессорах. Всегда полезно знать, на каком оборудовании вы запускаете все это великолепие 😎. Я бы порекомендовал первые несколько видео плейлиста: Основы архитектуры GPU от CoffeeBeforeArch.
📌 ВАЖНО: поищите в Интернете информацию о различных типах графических процессоров, их характеристиках, стоимости, способах их программирования и т. д. НО НЕ тратьте слишком много времени на эту часть. . (~0,5 часа в день более чем достаточно)
Фаза — 2: Фундаменты (40 дней)
К настоящему моменту вы должны успешно работать над одним проектом ❗
☕ Моя история: я начал посвящать проекту около 8 часов, например, 8–5, а оставшиеся часы использовал для дополнительных и обязательных вещей. Я имел роскошь быть студентом!
Однако на этом этапе я начал заниматься немного более сложным текстом. Вот что я делал, неустанно работая над основным проектом:
- Skimmed Deep Learning, Ян Гудфеллоу. Тем не менее, я бы рекомендовал бесплатную и, вероятно, одну из самых замечательных веб-книг: Dive Into Deep Learning. Не просматривайте это. Поглотить его. 🐉
- Ваша вторая и основная задача: изучить следующие области: компьютерное зрение (ага), обработка естественного языка, обучение с подкреплением, обучение аудио и речи и системы рекомендаций/опыт работы с клиентами. Затем выберите область, которая больше всего вам интересна, и подберите самую последнюю и наиболее полезную книгу по ней.
Предложение: удобно выбрать ту же область, что и ваш основной проект, чтобы увидеть максимальные результаты в кратчайшие сроки.😄
📌 ОБЯЗАТЕЛЬНО: выполняйте шаги 1 и 2 одновременно, чтобы получить лучшие результаты и статистику.
☕ Моя история:Я выбрал «Компьютерное зрение» в качестве своей области специализации (так же, как и мой основной проект) и взял книгу: «Компьютерное зрение: современный подход» для развлечения. наряду с практическим курсом по оптимизации выпуклых поверхностей, преподаваемым в IIT Mandi. Супер беспокойные и сложные времена по сравнению с тем, что я испытывал раньше. Понравился наизнанку! 💚
Совет: 👽
Записывайте/записывайте в дневник, что вы думаете об этом путешествии, чтобы понять, хотите вы этого или нет!
Во всяком случае, это ГЛАВНЫЕ ЦЕЛИ фазы 2: 🎯
Основное: Начни уделять больше времени основному проекту!
Вторичный: выберите область специализации после тщательного исследования и рассмотрения.
Третичный: узнайте о своей специализации и глубоком обучении одновременно из ресурсов, упомянутых выше.
Фаза — 3: Основы (40 дней)
Если 2 этапа выше выполнены очень хорошо, придержите лошадей!
Вы все еще не готовы. Однако …
📌 ВЫ ДОЛЖНЫ начать исследование возможностей и ПОДАТЬ ЗАЯВКУ.
Вот хороший ресурс для студентов, желающих пройти научную стажировку за границей.
👉 Если у вас есть возможность, Привет! Поздравляем с первым достижением! Поделись со мной своим достижением здесь!
- › Продолжайте читать, чтобы получить опыт и наладить хорошие отношения.
👉 Если у вас нет возможности:
- › Читайте дальше, чтобы настроить себя на огромные результаты!
☕ Моя и реальная история:
Интервьюер: Нам нравится ваша инициатива, стремление и опыт, который у вас уже есть, но вам нужна дополнительная специализация для этой роли…
Скажи меньше…
Я понял, что мне тоже нужна какая-то специализация по глубокому обучению.
Эта фаза может показаться беспорядочной погоней, но доверяйте себе и придерживайтесь ее. 😇
🎯 Последствия этого довольно просты:
Выберите архитектуры (и наборы данных) на основе описаний проектов, которые вы исследовали в рамках возможностей, на которые вы подаете заявку или действительно хотите. Реализуйте их из своих научных работ. В основном бумажное копирование.
🦊 Совет Foxly:Выходите за рамки CNN, пожалуйста, они являются хорошими строительными блоками, но они не помогут вам сократить конкуренцию.
Продолжите и основной проект! Не оставляйте его, пока не получите публикацию (если сможете).
Запачкайте руки и этими ресурсами:
- MLOPs: это преемник DevOps, но для машинного обучения! Супер полезный навык.
- 📌ОБЯЗАТЕЛЬНО: Введение в ML Interviews by Chip Huyen. Иногда нужно смириться и все равно делать это, а? Не с этой книгой. На самом деле это супер круто!
Фаза — 4: RfW (30 дней)
Это мой личный фаворит, потому что именно здесь вы теряете свою «студенческую девственность» и становитесь настоящим инженером / ученым ML или любым другим ярлыком, который вам нравится. Здесь вы больше не будете ограничены структурированной учебной средой, и весь мир будет в вашем распоряжении.
Следовательно, RfW или Готов к войне!
Итак, теперь ты гончая,
🎯 Жажду этих целей:
1. Доведение основного проекта до завершения/публикации.
2. Обеспечение стажировок, рабочих мест и других возможностей.
3. Развитие привычки читать исследовательские работы.
4. Изучение последних разработок в вашей области.
Цели 1 и 2 являются исключительно вашей обязанностью подать заявку, пройти собеседование и пройти отбор. Если вам нужна помощь или вы хотите поделиться своими достижениями, свяжитесь со мной в LinkedIn! :)
Однако для достижения цели 3 вам необходимо разработать стратегию чтения исследовательской работы и непрерывный график.
› Моя стратегия чтения заняла бы еще один пост. Так что пока…
В любом случае, некоторые важные (и простые) исследовательские работы, с которыми вы, должно быть, уже сталкивались или с которых стоит подумать, это: AlexNet, U-Net, ResNets, GAN (2014), Attention is All You Need и т. д.
После этих вы должны быть заинтересованы и продолжать читать новые и более сложные исследовательские работы!
ПРИМЕЧАНИЕ. Мое мнение может быть предвзятым в отношении документов, связанных с компьютерным зрением.
🦊А теперь еще несколько хитрых советов, как перехитрить конкурентов и достичь цели 4 на этом этапе:
- Настройте свою учетную запись в Твиттере и следите за ведущими исследователями, педагогами, профессорами и компаниями, такими как openAI, Google Brain и т. д. — Мне нравится тратить 30–40 минут на изучение новых исследований, которые публикуются ежедневно.
- Всегда следите за тем, чтобы профессора нанимались через такие платформы, как Twitter, LinkedIn и т. д. Это может быть идеальной возможностью наброситься на вас.
- Мемы также сделают мирские вещи интересными… надеюсь 😅
📢 ОБЪЯВЛЕНИЕ
Это сообщение также знаменует собой начало сообщений в двух дочерних линиях:
1. Подсерия «Основы и приложения». Она будет охватывать принципы компьютерного зрения/глубокого обучения (CV/DL), основы, приложения, проекты и т. д.
2. Подсерия DL-Paper(произносится как Dell-Pepper): еженедельно проводится тщательное изучение и пояснение научно-исследовательской работы. (Я тоже постараюсь повторить бумагу! 😸)
Так что следите за обновлениями, дамы и господа! 😎
Надеюсь, эта дорожная карта помогла вам!
Не забудьте подписаться на меня, чтобы получать более ценный контент по исследованиям, компьютерному зрению и искусственному интеллекту.
До следующего раза… ❤️