Jak wygląda praca Machine Learning / Data Scientist?

4

Z tego co wiem, Machine Learning to głównie statystyka i różnorakie algorytmy. Jak wygląda typowy dzień Machine Learning Dev i jakiego typu zadania wykonuje? jakiś przykład...
Dodatkowo poniżej umieszczam kilka pytań:
Czy programiści Machine Learning programują głównie funkcyjnie?
Jaka jest specyfika wykonywania pracy na dany dzień? w sensie Machine Learning/Data Science tak jak zwykli programiści mają listę zadań do wykonania na dany dzień?
W jakich firmach zatrudniani są programiści Machine Learning? głównie korporacje?

Interesuje mnie zdanie programistów Machine Learning / Data Science, jak i osób które mają kontakt w pracy z takimi osobami.

3

To zależy w jakiej dziedzinie data science pracujesz. Ja siedzę w przetwarzaniu obrazu. Programowanie obiektowe glownie python , algorytmy statystyczne, algorytmy niestatystyne, uczenie maszynowe/deep learning. Idę do roboty, szef mówi "słuchaj johnny tenalgorytm do wyliczania odległości kamery od obiektu źle działa, wymyśl coś", googluje, czytam artykuly naukowe i nienaukowe na ten temat, na końcu implementuje albo na bazie gotowego modułu albo samemu. Poza tym modele statystyczne i ml są trenowane więc trzeba utrzymywać cała infrastruktue treningową (jenkins). Sprinty itp.to jak zwykle. czasem jakieś wąskie gardła trzeba napisać w c++ ale numpy starcza.

1

A i generalnie nie przeceniałbym uczenia maszynowego. W zastosowaniach inzynierskich czyli przetwarzanie obrazu, nlp itp.często używa się innych modeli statystycznych (np. Ukryte stany markova), czy jakichś algorytmów stworzonych dla wąskiego problemu. Ml nie do wszystkiego się nadaje, bo po pierwsze nie każdy problem da się rozwiazac za pomocą ml, po drugie ml wymaga z reguły sporej ilość labelowanych (oznaczonych) danych, długiego treningu i infrastruktury a nie zawszeto wszystko jest.

0
Wesoły Programista napisał(a):

To zależy w jakiej dziedzinie data science pracujesz. Ja siedzę w przetwarzaniu obrazu. Programowanie obiektowe glownie python , algorytmy statystyczne, algorytmy niestatystyne, uczenie maszynowe/deep learning. Idę do roboty, szef mówi "słuchaj johnny tenalgorytm do wyliczania odległości kamery od obiektu źle działa, wymyśl coś", googluje, czytam artykuly naukowe i nienaukowe na ten temat, na końcu implementuje albo na bazie gotowego modułu albo samemu. Poza tym modele statystyczne i ml są trenowane więc trzeba utrzymywać cała infrastruktue treningową (jenkins). Sprinty itp.to jak zwykle. czasem jakieś wąskie gardła trzeba napisać w c++ ale numpy starcza.

A jakie polecasz materiały do nauki Machine Learning? kursy video Udemy na początek będą ok?

0

Poszukaj na allegro/praca - tam szukają. Po wymaganiach będziesz mógł się domyślić.

1

Zależy jaki masz background, jak licencjat ze ścisłego/inzynierskiego kierunku to cs229 stanford wykłady, prace domowe, notatki. Potem np. Cs224n !albo cs231.te coursery i udemy to jakieś podstawy podstaw podstaw dla hindusow, które w sumie się do niczego nie przydaja. Książki i materiały masz w tych kursach które wymieniłem.

Powiem szczerze że o ile do programowania lepiej mieć studia informatyczne, to do data science studia typu matematyka,statystyka,informatyka,ekonometria to raczej wymóg. Dużo jest różnych zagadnień, trudno to opanować od zera samemu. Ale oczywiście przy samozaparciu się wszystko da.

0
Wesoły Programista napisał(a):

A i generalnie nie przeceniałbym uczenia maszynowego. W zastosowaniach inzynierskich czyli przetwarzanie obrazu, nlp itp.często używa się innych modeli statystycznych (np. Ukryte stany markova), czy jakichś algorytmów stworzonych dla wąskiego problemu. Ml nie do wszystkiego się nadaje, bo po pierwsze nie każdy problem da się rozwiazac za pomocą ml, po drugie ml wymaga z reguły sporej ilość labelowanych (oznaczonych) danych, długiego treningu i infrastruktury a nie zawszeto wszystko jest.

Ale przecież ML to nie jest jakiś konkretny model tylko gałąź informatyki. Ukryte Modele Markova jak dla mnie zaliczają się do ML, tak jak PCA, LDA, SVM i inne metody stosowane w klasyfikacji. Może chodziło Ci o Supervised Machine Learing, albo w ogóle o zastosowanie sieci neuronowych?

0

https://dsp.stackexchange.com/a/3345

w sumie co za różnica, chodziło mi o to że data science to nie tylko klasyczne ml czyli klasyfikacja, grupowanie, redukcja wymiarów, są też inne podejścia do problemów. Stąd warto mieć ogólna wiedzę z matematyki i informatyki, a nie tylko skupiać się wyłącznie na ml.

0

Okej guteksan zwyciezyles tą bitwe, składam broń; )

0
Wesoły Programista napisał(a):

Okej guteksan zwyciezyles tą bitwe, składam broń; )

Gdzie pracujesz?

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