Tippek gépi tanulás területén való fejlődéshez?

A gépi tanulás egy olyan műfaj amit legjobban akkor tanulsz meg ha ÉLES projekten dolgozol nem pedig mintaadatokon ami az interneten található, mert ott annyira letisztítják hogy erőfeszítés nélkül látványos eredményeket érsz el vele - ezzel szemben ha bemész egy multiba csodálkozol hogy miért nem működik semmi és miért kell többlépéses pipeline-al transzformálni és szűrni az adatokat össze vissza. A gépi tanulás szintaxisa egyáltalán nem nehéz, nem is az adja a valódi értéket hanem hogy mekkora domain-specifikus tudással rendelkezel amire használod és az adathalmazt mennyire vagy képes letisztítani amit később elemzel gépi tanulással. Nyilván magasabb szinten magát a gépi tanulás algoritmusát is módosíthatod de ilyet több éves rapasztalattal szoktak.

Tudományos körökben eléggé felkapott a gépi tanulás és igen magas impact factorú folyóiratokban is ez a slágertéma, valamint igen sok tanszéknek nagyon hasznos a kutatásokhoz legyen az szó űrkutatástól kezdve DNS spirál elváltozások becsléséhez. Szóval szerintem beszélj akár más tanszék professzoraival hogy van-e náluk olyan kutatás ami gépi tanulást igényel és írd a szakdogádat ebben a témában.

Mint mondtam egy valós projekten dolgozni 1000x hasznosabb mint akármelyik fos tutorialvideót végignézni udemyn vagy youtuben ahol a szádba van adva a letisztult adat és 3 perc alatt csodát csinálsz. Ezt a területet úgy tanulod meg a legjobban ha valódi problémával találkozol és szembesülsz a felmerülő problémákkal, ugyanis ha azokat jól kezeled (filterezed, tárolásra-feldolgozásra optimalizálod, szűröd, értékes infót kiemeled, normalizálod, cloud környezetbe táplálod) akkor válsz valódi, értékes szakemberré, nem attól hogy pythonban képes vagy dataframeket létrehozni vagy tensorflow libraryt kezelni, a kódolás csak egy technikai része a dolognak.

Mit takar az, hogy a matematika jól megy? Én csináltam külön matek bsc-t proginfó mellé, csak azért kérdezem:D (nem muszáj, csak sokat könnyített)

Könyvek amiket nagyon tudok ajánlani:

-Mathematics for Machine Learning (ezen mindenképp átrágnám magam a helyedben)

-Pattern Recognition and Machine Learning

-The Elements of Statistical Learning

-Pythonból valami könyvet is ajánlanék, ami kitér a neked kellő dolgokra, pl: Python Data Science Handbook

Nem tudom SQL tudásod mennyire erős, de kezdésnek mindenképp szükséged lenne rá, mert könnyebb elhelyezkedni valami olyan data scientist poziban ahol SQL-ben (is) kell majd sokat munkálkodnod. Utána persze majd tovább lépsz amerre szeretnél, csak ha kell munka kezdésnek, akkor ez sokkal egyszerűbb szerintem. Pl elmész nagy multi, minimumot hozod aztán közben otthon tanulsz és 1 év múlva mész tovább.

Van egy kurzus, Andrew Ng Stanford professor tartja és ingyenes az udemy-n talán, azt is tudom ajánlani. Nem tér ki a matematikai háttére olyan részletesen, pl fog számolni lapon, de majd mindig nondja, hogy ha nem érted akkor dont worry about it:D viszont leprogramozzátok az alap algoritmusokat és szerintem aranyat ér a megértésben. Ha van időd akkor 2-3 hét alatt becsületesen megtudod csinálni ÉS pythonban írd meg a kódokat, githubon találsz majd rá példát, szóval ne aggódj, ha elakadsz se gond.

Viszont a lényeg amit szeretnék hangsúlyozni, hogy NAGYON erős matekos háttér kell, mert ugyan nem számolsz lapon, de az algoritmusok megértéséhez ez elengedhetetlen. Enélkül is kaphatsz pozit valami startupnál vagy esetleg multinál is, DE valóban érdekes projecteken nem fogsz nagyon dolgozni és a szakmai fejlődésed is korlátolva lesz, pláne ha belekényelmesedsz abba amit csinálsz.

Nem hiába sokan minimum msc-vel rendelkeznek, de rengeteg phd-s van pl amerikában ezen a területen. Nyílván ez nem szükséges, enélkül is lehet karriert építeni, de csaj egy bizonyos szintig.

Az ISLR könyvet olvastad már? Az az alapkönyv.

Könyv: [link]

Videó: [link]

Python kódok: [link]

Őszintén: nem kezdenék semmi másba, amíg ezt a könyvet nem fújod kívülről-belülről.