极客时间公开课
直播亮点
如果你是一名学生，或者是刚毕业没几年的初级开发工程师，再或者是一名数据挖掘、数据分析工程师，那你可以考虑成为一名机器学习工程师。因为这个岗位，不仅工资高，而且发展前景也好。
如果你是一名工程师，你的目标是以后成为架构师或者技术总监，或者一家公司的CTO，那机器学习也应该成为你的必备技能。因为，未来只要营收超过5个亿的互联网公司，就需要具备机器学习的能力。
机器学习，不再是什么高深的技术，你要知道，所有互联网公司的业务模式里，都逃不出广告、推荐和搜索这几个场景，而这里面，机器学习都会充当重要角色。
但是，机器学习到底难吗？该怎么入门？行业到底需要怎么样的机器学习工程师？这次直播，我将会从我的角度，给你确定性的答案。
你将获得
机器学习工程师对数学、英语、学历的要求是什么？
从宏观上理解，机器学习到底是在做什么事情？
行业喜欢什么样的机器学习工程师？
快速入门、精通机器学习的最佳路径是什么？
机器学习算法工程师 入门之路
入门误区
- 心态不佳
- 没有免费的午餐
- 入门的门槛不高
- 高收入行业必然带来很多竞争
- 做技术的人 要关注自身的提升
- 广而不精
- 算法傻瓜化 跑一个demo 入门容易 是人就能做的事情
- 初级人才泛滥 中高级人才缺失
- 转换领域 耗费大量时间, 不要浅尝辄止,不要频繁切换 要纵深化的学习
- 正确方法 确定领域进行猛攻
- 目标不明确
- 跑通demo不等于入门 写几行代码就完成的事情 没有意义
- 目标 做能干活的人
- 独立完成项目
- 不犯低级错误 有些问题可以提前看到的 但是没有提前解决 耗费一周去跑数据 这就是浪费时间
- 实践缺乏
- 数据科学领域只是很多是经验积累
- 入门材料自身错误 容易造成错误理解
- 动手遇到的困难 可能比看懂原理更有价值
- 配置环境、内存爆掉小问题 看起来简单 实际可能耗费时间
- 简单的事情、问题 不要慌
- 等到"完全理解" 某个领域再去动手是不现实的
- 数据是经验积累 行业会不断发现新的东西 不能等 先上车 跟着做
- 正确方法 尽快动手实操 求精 求深 不求多
- 能力和知识混淆
- 知识不等于能力
- 基本能力 解决问题的能力(上来就干) 只能考实践积累
- 核心能力 编程 数据 数据科学 (SVM推导)
- 需要进行长久的 有计划的提升
- 入门难
- 核心能力
- 有价值的方向 加速学习
- 编程能力
- 至少掌握一门编程语言 python/R
- 熟练掌握数据处理的各种方法和工具 pandas、pytorch
- 高效实现机器学习算法
- 能对模型和算法进行性能调优
- 数学能力
- 掌握概率 统计和最优理论基础
- 掌握机器许学习
- 数学科学相关能力
- 系统的建模方法论
- 掌握各类模型的准确度调优方法
- 根据实际数据的情况 选择合适的建模方案
- 研究前沿技术 解决实际问题
- 能力提升的挑战
- 能力不等于 知识储备 眼高手低惹人厌
- 自己动手 比培训/课程材料好用
- 市面上缺乏进阶材料
- 自己动手的困境:从哪里动手遇到问题怎么办
一 编程基础
- 数据处理和可视化
- Pyhon语法糖
- profiler
二 数学基础
- 基本机器学习的概念
- 极大似然估计
- 手撸逻辑回归 和算法模型
三 数据科学能力
- 模型
- 常见模型
- 模型调参
- 模型集成
- 数据
- 根据业务衍生变量
- 常见的encoder 变量选择策略
- 如何根据探索性分析和bad case分析构建变量
- 深度学习
- 常见网络架构 实现
- 深度学习炼丹的方法
