Uczenie maszynowe a matematyka

1

Witam, potrzebuję pomocy w poukładaniu mętliku w głowie spowodowanego nadmiarem informacji. Szybko zarysuję swoją sytuację. Jestem świeżo upieczonym absolwentem technikum informatycznego. Póki co moje "programowanie" przypominało raczej zabawę. Przerobiłem część c++ i pythona, trochę posiedziałem w programowaniu obiektowym. Zamierzam teraz studiować informatykę. W związku z tym postanowiłem na poważnie wybrać jedną z gałęzi informatyki i na niej skupić całe przyszłe starania. Wybór padł na AI/Machine Learning. Zawsze interesowało mnie to zagadnienie plus nigdy nie obawiałem się matematyki. Kupiłem książkę Sebastiana Raschki i wziąłem się za czytanie. O ile część programistyczna nie stanowi większych problemów (z numpy i matplotlib miałem styczność już od jakiegoś czasu) o tyle nie jestem w stanie zrozumieć zagadnień matematycznych. Pojawiają się tam tematy z optymalizacji i statystyki takie jak gradient i standaryzacja. Co do mojego problemu... Nie chcę przerobić tę książkę na zasadzie zapamiętania podanych tam wzorów i wyuczenia się danych algorytmów. Chciałbym rzeczywiście zrozumieć wszystkie podane tam zagadnienia (jak np. gradienty) i wiedzieć dlaczego zostały użyte. Prawdopodobnie będzie to oznaczało potrzebę spędzenia ogromu czasu nad matematyką wyższą. Obawiam się jednak, że oznaczać to będzie tymczasowe porzucenie uczenia maszynowego. Nie wie ktoś jak można to pogodzić? Bardzo bym prosił osoby z dużo większą wiedzą od mojej o naprowadzenie na działy matematyki niezbędne do ruszenia tej książki. Zdaję sobie sprawę, że wszystko co potrzebuję będą miał wkrótce na wykładach, uważam jednak, że dodatkowa wiedza nigdy nie zaszkodzi, a poza tym lubię ustalać sobie własne tempo. Z góry dziękuję za pomoc i przepraszam za nadmiar tekstu.

0

A Znasz dobrze angielski?

0

Pewnie nie chodzi Ci o zwykły angielski (bo z takim nie mam żadnych problemów), a raczej nastawiony na terminy informatyczne i matematyczne . Z tym już trochę gorzej, Nic nie stoi jednak na przeszkodzie żeby uzupełnić braki.

1

Jak Dasz rady z angielskim to to: http://neuralnetworksanddeeplearning.com/
będzie idealne na poczatek, nie ma ciężkiej matmy, a dobrze wprowadza.

0

Jesli znasz angielski to mozesz sprobowac zrobic kurs z Machine Learningu na Coursera. Pojęcia matematyczne są tam wytłumaczone raczej intuicyjnie, tak żebys z grubsza rozumial o co chodzi. Jak juz to poznasz, to wroc do książek: i od matematyki, i od machine learningu.

1

co wy z tym uczeniem maszynowym wszyscy, chyba się za dużo naczytaliście artykułów w forbesie. Przecież w polsce na palcach dwóch rąk można policzyć oferty pracę na data scientiste z prawdziwego zdarzenia..... Reszta to excell, sql, albo "big data" czyli apache spark, co w sumie nie ma aż tak dużo wspólnego z AI/ML wbrew pozorom.

1

To prawda. Przykro mi to mówić, ale AI w Polsce traktuj jako bardziej hobby.

1

Niestety ale zanim polacy ogarną potencjał biznesowy leżący w ml to już będzie po ptakach... a w zasadzie już jest. To jest jak z piramidą finansową, Ci co wchodzą pierwsi zawsze zarobią nawet jak są średni, a ci co wchodzą na końcu zawsze stracą nawet jak są świetni. Rewolucja AI trwa od 5 lat, a polskie it skupia się w tym czasie na czystym kodzie, mikroserwisach i przeinzynierowanych crudach w javie. Oferty pracy w realnym ML można policzyć na palcach dwóch rąk i to glownie międzynarodowe firmy i korpo.

0
Czarny Kowal napisał(a):

Niestety ale zanim polacy ogarną potencjał biznesowy leżący w ml to już będzie po ptakach... a w zasadzie już jest. To jest jak z piramidą finansową, Ci co wchodzą pierwsi zawsze zarobią nawet jak są średni, a ci co wchodzą na końcu zawsze stracą nawet jak są świetni. Rewolucja AI trwa od 5 lat, a polskie it skupia się w tym czasie na czystym kodzie, mikroserwisach i przeinzynierowanych crudach w javie. Oferty pracy w realnym ML można policzyć na palcach dwóch rąk i to glownie międzynarodowe firmy i korpo.

Ja natomiast myślę że ML to tylko hype. Wiele ludzi zjawia się tym tematem nie mając pojęcia jak wyglądają zajęcia Data Scientist w korporacji. W rzeczywistości jest to nudna i powtarzalna praca związana z optymalizacją danych, tak wygląda 90% stanowisk, natomiast tych ciekawych ofert pracy w ML jest bardzo mało na rynku między narodowym.

0

Bo nie wszędzie potrzebne jest ML więc go po prostu nie ma. Czasem korzyści jakie mogłoby przynieść ML nie zrekompensowałyby ludzi, którzy by je ogarniali. Przy większej skali oczywiście ML jest.

0
anonimowy napisał(a):

Bo nie wszędzie potrzebne jest ML więc go po prostu nie ma. Czasem korzyści jakie mogłoby przynieść ML nie zrekompensowałyby ludzi, którzy by je ogarniali. Przy większej skali oczywiście ML jest.

ML jest w korporacjach. Algorytmy ML wykorzystuje się przy optymalizacji danych. Jednak ML nie jest jakąś niepojętą wiedzą tak jak niektórzy myślą :) o ile ogarniasz dobrze matmę.
W pewnym sensie ML jest łatwiejsze od programowania, bo wystarczy "raz" zrozumieć najpopularniejsze algorytmy ML oraz wyćwiczyć w zastosowaniu w praktyce i tyle. Natomiast jako programista cały czas musisz być na bieżąco z technologiami...

0

Zacny jeż nie masz zielonego pojęcia o czym mówisz. Praca w powaznym ML/AI wymaga wszechstronnej wiedzy zarówno z deweloperki, matematyki, generowania danych. Dziedzina rozwija się niestety w zawrotnym tempie i co miesiąc wychodzi jakiś kolejny przełom, żeby być na bieżąco trzeba się nonstop douczac. Odroznij data engineera od data scientisty. Swoją drogą generacja i augmentacja danych to bardzo trudny problem z pogranicza matematyki i informatyki. W zasadzie to trudniejszy niż typowe ML czyli jakieś modele predykcyjne.

To co opisales to jest stanowisko "data scientist" w januszmarketing sp.z.o.o., w data science typu nlp, fintech, image processing, biostatystyka, robotyka jest tak jak opisałem. A to że w polsce są głównie januszmarketing sp.z.o. to nie moja wina

0

w 90% korpo to wygląda tak
title

0

Wynika to z niesprecyzowanej definicji data scientista. Dziś każdy jest data scientista. Basia po finansach która trzepie tabelki w excellu i zapytania sql, javowiec siedzący w sparku czy data engineerowie.

Ja opisywałem jak wygląda praca jako inżynier/programosta/statystyk w branżach takich jak nlp, fintech czy image processing. Czyli typowy tryb pracy osoby która rzeczywiście jest "data scientista"

0
Czarny Kowal napisał(a):

Wynika to z niesprecyzowanej definicji data scientista. Dziś każdy jest data scientista. Basia po finansach która trzepie tabelki w excellu i zapytania sql, javowiec siedzący w sparku czy data engineerowie.

Ja opisywałem jak wygląda praca jako inżynier/programosta/statystyk w branżach takich jak nlp, fintech czy image processing. Czyli typowy tryb pracy osoby która rzeczywiście jest "data scientista"

Image Processing - więcej tam kodzenia grafiki w C++ niż zajmowania się algorytmami ML. Natomiast do zajmowania się ciekawymi rzeczami związanymi z ML zazwyczaj potrzebny jest PhD.
90% Data Scientist jedynie czasami korzysta z możliwości ML, ale ogólnie zajmuje się czymś innym, jak np. optymalizacją danych serwera czy kodowaniem grafiki.

0

Oczywiście inaczej to wygląda w firmach takich jak Intel, Google, Samsung, Amazon itd. Tam pewnie można liczyć na coś więcej ;)

0

Ale te informacje to masz skąd? Z ankiet internetowych i mitów powtarzanych na 4p przez autystow z bolem d*py o ML? Nie trzeba mieć phd, żeby się zajmować ciekawymi rzeczami w wymienionych wcześniej dziedzinach. Jest masa nierozwiazanych problemów ktore są ciekawe ale nie na tyle żeby wymagalo phd. Jeśli chodzi o ogólną wiedzę i wiedzę dziedzinowa, to tak masz rację, tylko że napisałem to już w pierwszym moim poście. Jeśli chodzi o zawartość ML w danych dziedzinach, to różnie bywa. Najwiecej matematyki jest w sumie chyba w fintechu, biostatystyce itp.potem nlp, a w robotyce i image processingu najmniej. Ale to zależy od firmy, stanowiska, działu itp.

0

Właśnie przez takich jak ty co się boją wszystkiego co nowe i nazywają to "hypem", polska "innowacyjność" w it to crudy dla zusu. A w tym czasie na zachodzie trzepia z tego ogromny hajs. A potem za 10 lat polacy będą kupować te technologie za grube miliony, jak już i tak będzie po ptakach.

0
Czarny Kowal napisał(a):

Nie trzeba mieć phd, żeby się zajmować ciekawymi rzeczami w wymienionych wcześniej dziedzinach. Jest masa nierozwiazanych problemów ktore są ciekawe ale nie na tyle żeby wymagalo phd.

Z tym zdaniem na pewno się zgodzę... podejrzewam że co roku powstają gry (nawet zwane Indygo) w których stosuje się nowe modyfikacje bądź kombinacje algorytmów zwanych inteligentnymi (chociażby w programach szachowych).

Mam pytanie: czy w ostatnich kilku latach nastąpił poważny przełom jakościowy w Machine Learning (nowe algorytmy, nowe koncepcje matematyczne - chociażby przyspieszające przetwarzanie danych...), czy ten hype jest spowodowany głównie wykładniczo rosnącymi możliwościami technologicznymi? Pytam się na poważnie - bardzo lubiłem zajęcia z Sztucznej inteligencji, z filtrów adaptacyjnych i robiłem dyplom powiązany z ADSP (Advanced Digital Signal Processing)... minęło kilkanaście lat, a niestety nie miałem czasu na śledzenie nowinek w tych naukach :/ Ktoś może się orientuje?

0

Cały "deep learning" : konwolucyjne sieci neuronowe, sieci generatywne + uczenie ze wzmocnieniem + nowe algorytmy typowo klasyfikacyjne (xgboost itp.) + postęp technologiczny + rozwój w poszczególnych dziedzinach (np. opencv w image processingu, czy word2vec/glove w nlp). Tak, postęp jest bardzo duży.

1 użytkowników online, w tym zalogowanych: 0, gości: 1