转行人工智能之前，你需要掌握这 5 项技能！
发布日期：2019-07-04 14:04:34点击次数：次
最近，人工智能很流行，所以很多人都转向人工智能，但很多人不知道人工智能做什么，应该掌握哪些技能?今天，在求助于AI之前，小编需要掌握五项技能，希望能对大家有所帮助!
为了理解机器学习，扎实的统计学基础知识是必要的。这包括以下几个方面:
评估模型成功的不同方法(精度、召回率、特征曲线下的面积等)，您选择的损失函数和度量方法如何度量模型输出的偏差?
如何理解过拟合和欠拟合以及偏差/变量的平衡。
模型的结果与置信度之间有什么关系?
2机器学习理论
当你训练一个神经网络时会发生什么?是什么使这些任务可行而其他任务不可行?解决这个问题的一个好方法是在深入理解理论之前，先通过图片和例子来理解机器学习。
需要理解的概念，从损失函数工作的不同方式到反向传播有用的原因，最后是理解什么是计算图。对构建功能模型的深刻理解和与团队中其他人的有效沟通是至关重要的。
3-数据纠纷
问问任何一位数据科学家，他们都会告诉你，他们90%的工作都是数据加工（data munging）。这对于AI的应用非常重要，就像模型的成功与数据的质量(和数量)高度相关一样。数据在许多方面发挥作用，可分为以下几类:
获取数据(查找良好的数据源，正确度量数据质量和分类，获取和猜测标签)
数据预处理(缺失数据、特征工程、数据增强、数据归一化、分割交叉检查)
数据后处理(使模型输出有用，删除人工数据，处理特殊情况和异常值)
熟悉数据纠纷的最好方法是掌握混乱的数据集并尝试使用它。互联网上有很多数据集，很多社交媒体和新闻媒体网站都有很好的应用界面。
遵循以下步骤是学习的好方法。
掌握一个开源数据集并对其进行测试。它有多大(观测值和特征值的数量)?数据是如何分布的?是否存在缺失的值或异常值?
开始构建原始数据和有用数据之间的转换通道。回填是如何失去价值的?处理异常值最合适的方法是什么?如何标准化数据?你能创造出更具表现力的功能吗?
测试转换数据集。
4-调试/调节模式
一些机器学习算法，不收敛或包含非常不同的过程，从调试代码，但给出合理的结果调试。同样，找到正确的体系结构和超参数需要坚实的理论基础，良好的基础工作可以测试不同的配置。
随着该领域的发展，调试模型的方法也在不断发展。下面是来自我们讨论和部署模型的“sanity check”，这些模型反映了KISS理论和软件工程师之间的熟悉程度。
从简单的模型开始，这些模型已经被证明可以在类似的数据集上尽快工作，并掌握基线。经典的统计学习模型(线性回归、最近邻等)或简单的启发式方法或规则可以让你理解80%的方法并更快地实现它们。开始时，用最简单的方法解决问题(请参阅谷歌机器学习规则的第一点)。
如果你决定训练一个更复杂的模型来改进基线，从一小部分数据集开始，训练模型对数据集的过拟合。这保证了模型的最小学习能力。在模型上迭代，直到您可以容纳5%的数据。
一旦开始训练更多的数据，超参数化就变得更加重要。了解这些参数背后的理论，才能了解什么是合理的价值去探索。
运用理论方法来调整你的模型。写下您使用的最小配置并总结结果。理想情况下，使用自动超参数搜索策略。一开始，随机搜索可能就足够了。探索尽可能多的理论方法。
5软件工程
许多应用程序机器学习允许您充分利用软件工程技能，有时只需少量转换。这些技术包括:测试转换线的不同方面(数据预处理和增强、输入和输出间隙模型推理时间)来构建模块化代码和可重复的实验加速度方法、备份模型(检查点)在不同阶段的训练,并建立一个分布式基础设施运行训练、超参数搜索或使它更有效的推理。
以上的资源帮助你处理切实的机器学习问题。但是应用人工智能领域变化的特别快，学习的最好方式是动手实践并且真正地尝试构建一个完整的解决方案去解决一个实际的问题。
| 029-88235527
| 867013167@qq.com
| 陕西省西安市雁塔区融鑫路3号自力集团院内2楼
029-88235527
企业QQ