چگونه در سال2024 مهندس یادگیری ماشین شویم؟

همه میدانند که یادگیری ماشینی یک مهارت جذاب و پر درامد است. متوسط دستمزد پایه برای یک مهندس یادگیری ماشینی بیش از 114000 هزار دلار در امریکا هست که البته با پیشرفت در کار، پاداشها و مزایای بیشتری نیز شامل می شود.با این حال  رسیدن به شغل مهندسی یادگیری ماشین کار اسانی نیست و شما به مهارتها و تجربه های بیشتر و گسترده تر از آن چیزی که فکر می کنید نیاز دارید..

مهندس یادگیری ماشین چیست؟

بهتره با بررسی مفهوم این شغل شروع کنیم. در واقع عنوان مهندسی ماشین عنوانی غیر معمول در زمینه یادگیری ماشین و علم داده  هست. دربین شرکتهای بزرگی نظیر آمازون ، فیس بوک و…  تنها شرکت اپل از  عنوان شغلی  مهندس یادگیری ماشین  استفاده میکند. آمازون سعی دارد از عنوان دانشمند یادگیری ماشین و گوگل از مهنس نرم افزار استفاده کنند. کلمه کلیدی کلمه ” مهندس ” است. و شما اگر مهندس نرم افزار یا مهندس ماشین این قبیل شرکتها باشید میبایست روزانه کد بنویسد..

دوره های یادگیری ماشین بیشتردر تضاد است.  این مشاغل بر استخراج نقش های تحلیلگر داده، تجسم داده یا دانشمند داده  معنا از داده ها، به طور کلی با استفاده از ابزارهای موجود تمرکز می کنند. به عنوان یک مهندس یادگیری ماشین، شما این ابزارها و سیستم های اطراف آنها را می سازید. یک مهندس یادگیری ماشین نیز مهندس داده نیست. مهندس داده یک نقش خاص تر است که بر جمع آوری و تبدیل داده ها قبل از تجزیه و تحلیل تمرکز می کند. اما به عنوان یک مهندس یادگیری ماشین، به درک عمیقی از مهندسی داده نیز نیاز دارید. سیستم هایی که می سازید کل خط لوله داده را در بر می گیرد.

برای تبدیل شدن به یک مهندس یادگیری ماشین به چه مهارت هایی نیاز دارم؟

فقط دانستن نحوه پیاده سازی الگوریتم های یادگیری ماشین برای تبدیل شدن به یک مهندس یادگیری ماشین کافی نیست .

. این همه چیزهای عملی اطراف آن مدل ها است

• مهندسی ویژگی برای انتخاب و پردازش داده‌های مورد استفاده برای آموزش مدل‌های شما مورد نیاز است.
• کد مورد نیاز برای عملیاتی کردن مدل ها و ساختن سیستم های مستحکم که به طور مداوم اجرا می شوند.
• سیستم های توزیع شده ای که این مدل ها را در مجموعه داده های عظیم اعمال می کنند.

برای رسیدن به موقعیت مهندس یادگیری ماشین، باید مهارت خود را در بازیابی اطلاعات، طراحی سیستم در مقیاس بزرگ، محاسبات توزیع شده، شبکه، ذخیره سازی داده ها، امنیت، هوش مصنوعی، توسعه نرم افزار، چارچوب های تست و حتی طراحی UI نشان دهید. بسته به ویژگی های شغل، تخصص های یادگیری ماشین مانند پردازش زبان طبیعی یا سیستم های توصیه گر نیز ممکن است مهم باشند. و باید مهارت خود را در زبان های برنامه نویسی مانند پایتون، سی پلاس پلاس یا جاوا نشان دهید . ابتدا باید یک مهندس نرم افزار و در مرحله بعد یک متخصص  یادگیری ماشین باشید.

به طور خلاصه: برای تبدیل شدن به یک مهندس یادگیری ماشین، باید موارد زیر را بدانید:

• یادگیری ماشین / یادگیری عمیق / هوش مصنوعی
• علم داده
• مهندسی ویژگی
• مهندسی نرم افزار (مخصوصا در پایتون)
• “داده های بزرگ” و سیستم های توزیع شده
• امنیت فناوری اطلاعات
• ذخیره سازی داده ها

مجموعه ای ناقص از رشته های مهندسی یادگیری ماشین.

این واقعاً حداقل است. اما اینها مهارت هایی هستند که می توانید به تنهایی یاد بگیرید. آنها دقیقاً مهارت هایی را که برای به دست آوردن آن مشاغل نیاز دارید به شما نشان میدهد. درک کنید که آنها چیست و به آنها دسترسی پیدا کنید.

برخی از مشاغل ممکن است به دانش پیشرفته تری نسبت به سایرین نیاز داشته باشند. یادگیری ماشینی موضوعی به سرعت در حال توسعه است. زمانی که موضوعات بالا را فرابگیرید ، یادگیری شما متوقف نمی شود.

اهمیت درک تجزیه و تحلیل داده ها در مقیاس بزرگ و سیستم های توزیع شده را دست کم نگیرید. شما باید بدانید که چگونه می توان مدل های پیچیده یادگیری ماشین را با داده هایی که یک ماشین نمی تواند به تنهایی پردازش کند، عملیاتی کنید. همچنین باید بدانید که چگونه نتایج آن مدل‌ها را در مقیاس وسیع به هزاران درخواست در ثانیه بفروشید. نحوه مقیاس افقی سیستم ها را با استفاده از محاسبات ابری بدانید. اگر به دنبال شغلی در آمازون هستید، یک متخصص AWS شوید. اگر به دنبال گوگل هستید، یک متخصص Google Cloud شوید. اگر قصد مایکروسافت را دارید، یک متخصص Azure شوید. بخش یادگیری ماشینی مهندسی یادگیری ماشین واقعاً بخش آسانی است – انجام آن در مقیاس وسیع و به روشی قابل اعتماد که سخت است.

اگر نمی خواهید عملی باشید، نقش “دانشمند یادگیری ماشین” ممکن است به هدف شما نزدیک تر باشد. اما همچنان به برنامه نویسی و مهارت های عملی نیاز دارید. نقش های دانشمند معمولاً نیازمند مدارک پیشرفته و سال ها تجربه تحقیقات کاربردی است. آنها برای افرادی که از دنیای آکادمیک پس از فارغ التحصیلی به صنعت انتقال می یابند، مناسب هستند.

قرار نیست یک شبه اتفاق بیفتد.

آموزش رسمی می تواند  شما را به بهترین کارگاهها  برساند. کارفرمایان اغلب مستقیماً از کالج های معتبری استخدام می کنند که در گذشته استخدام های خوبی برای آنها ایجاد کرده اند. در آمازون، استنفورد و دانشگاه واترلو مورد جزء این شرکتها بودند. مدرک کارشناسی ارشد مرتبط با یادگیری ماشین در یکی از این موسسات تقریباً می تواند مصاحبه قبل از فارغ التحصیلی را تضمین کند. اما به هیچ وجه راهی آسان یا کم هزینه نیست. و در حالی که مدرک رسمی کمک می کند، در نهایت، کارفرمایان بیشتر به آنچه ساخته اید اهمیت می دهند. حتی برای استخدام در کالج، کارفرمایان معمولاً انتظار دارند که نوعی کارآموزی نشان دهد که می‌توانید آموخته‌های خود را به کار ببرید.

اگر بیشتر خودآموز هستید، بیایید کمی واقعیت را بررسی کنیم. در حالی که این امکان وجود دارد که این مهارت‌ها را در طی چند ماه به خود بیاموزید، این برای استخدام شما در یک کارگاه بزرگ فناوری کافی نیست. دانش کافی نیست شما باید نشان دهید که می توانید آن دانش را در مسائل دنیای واقعی به کار ببرید. توسعه تجربه لازم برای راحت شدن واقعی با این فناوری ها زمان می برد. شما نیاز به تجربه در مورد انواع مشکلاتی دارید که در موقعیت های دنیای واقعی به وجود می آیند. بهتر است سفری را تصور کنید که در طول زمان شما را به آنجا برساند.

در ابتدا، باید تجربه خود را ایجاد کنید. حل مشکلات را در پلتفرم هایی مانند Kaggle تمرین کنید (اگر در آنجا رهبر شوید، این به تنهایی می تواند به فرصت هایی منجر شود.) برخی از مشاغل قراردادی کوچک را در پلتفرم هایی مانند Upwork انجام دهید و به سمت مشاغل بزرگتر بروید. ارتباطاتی که در حین فریلنسری ایجاد می کنید نیز می تواند به چیزی بزرگتر و دائمی منجر شود. با پروژه های منبع باز در زمینه یادگیری ماشین درگیر شوید. اگر بتوانید به مشارکت‌های خود در GitHub در سیستم‌های دنیای واقعی که به طور گسترده استفاده می‌شوند اشاره کنید، در رزومه شما عالی به نظر می‌رسد.

سفر شغلی مهندسی یادگیری ماشین

ممکن است متوجه شوید که این تجربه اولیه منجر به پیشنهاد شغلی در گوگل و فیسبوک جهان نمی شود. این کاملاً اشکالی ندارد! راه اندازی حرفه خود در یک شرکت کوچکتر و رسیدن به شرکت های بزرگتر یک استراتژی عالی است. شروع در شرکت های کوچکتر و استارت آپ ها می تواند یک مزیت باشد. شما در اوایل کار خود و در اولین مصاحبه های شغلی خود مرتکب اشتباه خواهید شد. خیلی بهتر است که این اشتباهات را در شرکت های کوچکتر انجام دهید تا زمانی که یک بار به سمت تعداد انگشت شماری از شرکت های بزرگتر شلیک کنید!

موفق باشید