Три уровня способности к глубокому обучению

искусственный интеллект глубокое обучение Программа перевода самородков
Три уровня способности к глубокому обучению

глубокое обучениеНе панацея, но она доказала свою эффективность во многих очень сложных областях.

Это означает, что на предприятиях существует огромный спрос на эффективных специалистов по глубокому обучению.

Вопрос в том, как обычные компании определяют качество этих практиков?

Как вы, как специалист по глубокому обучению, лучше всего продемонстрируете, что можете создавать профессиональные модели глубокого обучения?

В этой статье вы узнаете о трех уровнях компетентности в области глубокого обучения и о том, как вы должны работать на каждом уровне как практик.

Прочитав эту статью, вы узнаете:

  • Проблему оценки уровня способности к глубокому обучению лучше всего решать через портфолио проектов.
  • Иерархия из трех уровней компетентности может быть использована для категоризации практикующих специалистов и обеспечения основы для определения навыков, которыми должен обладать практикующий врач.
  • Самая распространенная ошибка новичков заключается в том, что они думают, что хотят достичь уровня 3, когда только начинают учиться, они хотят изучить все способности сразу, что приводит к замешательству и разочарованию.

Давайте начнем.

深度学习能力的三个等级

Три уровня способности к глубокому обучению Фото [Бернд Таллер] и собственность фотографа

Обзор

Эта статья разделена на три части, а именно:

  1. Как оценить возможности (глубокого обучения)
  2. Создание портфолио глубокого обучения
  3. Уровень способности к глубокому обучению

Как оценить возможности (глубокого обучения)

Откуда вы знаете, что практик способен к глубокому обучению?

Это сложный вопрос.

  • Исследователь может быть в состоянии хорошо описать математику метода и предоставить серию статей.
  • Разработчик также может объяснить технологию, используя интуитивно понятные объяснения и серию API.

Все они, казалось, прекрасно понимали.

Впрочем, реальный коммерческий проект не нуждается в пояснениях.

Нам нужно использовать модели, чтобы делать эффективные прогнозы, нам нужны результаты.

Результаты превыше всего.

Вот и все, результаты превосходят традиционные показатели компетентности, такие как образование, опыт работы и уровень опыта.

Большинство разработчиков и менеджеров, нанимающих разработчиков, уже это понимают.

Но некоторые люди этого не сделали.

Создание портфолио глубокого обучения

Лучший способ ответить на вопрос, компетентен ли практикующий врач, — продемонстрировать (способность), а не рассказать (вербовщик).

Практики должны предоставить доказательства того, что они понимают, как применять методы глубокого обучения и использовать их для разработки эффективных моделей.

Это означает использование репозиториев с открытым исходным кодом и доступных общедоступных наборов данных для разработкипубличный портфель.

Это дает много преимуществ, потому что:

  • Покажите модель, в создание которой вы вложили свои навыки.
  • Попросите кого-нибудь еще проверить код.
  • Защитите свои дизайнерские решения.

Честное обсуждение реальных проектов (в портфолио) позволяет быстро понять, действительно ли специалисты понимают эти проекты.

  • Чтобы оценить эту компетенцию, работодатели должны попросить практиков представить портфолио выполненных работ, а затем сосредоточиться на их просмотре.
  • Чтобы продемонстрировать эту способность, специалисты по глубокому обучению должны создать и поддерживать портфолио завершенных проектов.

Как практикующий специалист, я задаюсь вопросом: каковы уровни компетентности и какие ожидания в отношении компетентности существуют для каждого уровня?

Уровень способности к глубокому обучению

Практикам следует тщательно выбирать проект для разработки, так как его также можно использовать для демонстрации своих технических способностей.

В этом разделе мы опишем уровни компетенции глубокого обучения и типы проектов, которые вы можете разрабатывать и реализовывать как практик, чтобы учиться, приобретать и демонстрировать каждый уровень компетенции.

Возможности глубокого обучения делятся на три уровня, а именно:

  • 1-й класс: Моделирование
  • Уровень 2:отладка
  • Уровень 3:применение

Это может быть неполным, но обеспечивает хорошую отправную точку для практиков в коммерческой разработке.

Некоторые пояснения к классификации:

  • Предположим, что вы уже занимаетесь машинным обучением и не начинаете с нуля.
  • Не все коммерческие разработки требуют или могут в полной мере использовать специалистов уровня 3.
  • Многие практикующие сначала хотят перейти на уровень 3 и очень быстро выяснить, что происходит на уровнях 1 и 2.
  • Уровень 2 часто упускают из виду, но я думаю, что он ключевой (потому что он может) доказать более глубокое понимание.

Другие возможные темы, связанные с возможностями, которые не обсуждались, включают написание кода с нуля, обработку больших данных и потоков данных, программирование графического процессора, разработку новых методов и многое другое.

Если у вас есть представление об уровнях способностей или проектах. Пожалуйста, дайте мне знать, показав это в комментариях ниже.

Теперь давайте вернемся к каждому уровню.

Уровень 1: Моделирование

Достижение этого уровня способности к глубокому обучению означает, что вы уже практикуете машинное обучение.

Это самый низкий уровень, который означает, что вы можете эффективно использовать инструменты и методы в традиционных проектах машинного обучения.

Но это не означает, что вам нужно иметь более продвинутый сертификат или какой у вас проект. Скорее, это означает, что вы знакомы с основами прикладного машинного обучения и процессом создания проекта прогнозного моделирования от начала до конца для работы от начала до конца.

Это не является строгим условием. Потому что эти элементы можно быстро выучить, если это необходимо.

Этот уровень способности будет иметь следующие проявления:

  • возможности библиотеки: вы (должны) знать, как разработать модель, используя библиотеку глубокого обучения с открытым исходным кодом.
  • Способность к моделированию: Вы знаете, как применить процесс разработки машинного обучения с использованием нейронных сетей.

возможности библиотеки

Возможности библиотеки означают, что вы знаете, как настроить среду разработки и использовать наиболее распространенные уровни API для определения, загрузки и прогнозирования с использованием моделей нейронных сетей.

Это также означает, что вы знаете самые основные различия между каждой моделью нейронной сети и лучшее время для ее использования.

Это не означает, что вы знаете все типы функций и параметров. Это также не означает, что вы знаете математическое описание конкретной технологии.

Способность к моделированию

Способность к моделированию означает, что вы знаете, как использовать модели нейронных сетей для завершения проекта машинного обучения от начала до конца.

В частности, это означает, что у вас есть возможность делать такие вещи, как:

  • Выявление проблем контролируемого обучения и сбор соответствующих данных.
  • Подготовьте данные, включая выбор функций, значения входных потерь, масштабирование и другие преобразования.
  • Оцените набор моделей и архитектур моделей с помощью целевого инструмента тестирования.
  • Выберите и подготовьте окончательную модель и используйте ее для прогнозирования новых данных.

Эти возможности означают, что вы можете эффективно использовать нейронные сети для разработки новых проектов и создания эффективных моделей.

Эта способность не означает, что вы являетесь экспертом в применении всех или некоторых методов нейронных сетей или что вы можете достичь наилучших результатов. Это также не означает, что вы знакомы со всеми типами данных.

проект

Проекты, демонстрирующие этот уровень компетентности, должны использовать библиотеки глубокого обучения с открытым исходным кодом, такие как Keras, и демонстрировать каждый шаг прикладного процесса машинного обучения в общедоступных наборах данных машинного обучения.

Это не означает достижения наилучших результатов прогнозирования для набора данных или даже того, что использование нейронной сети является наилучшей моделью для набора данных. Вместо этого вашей целью должна быть демонстрация вашей способности использовать нейронные сети, скорее всего, более простые модели, такие как многослойные персептроны.

Хорошим ресурсом набора данных является небольшой набор данных в памяти, который широко использовался с 1990 по 2000 год. Его можно использовать для демонстрации эффективности машинного обучения и даже нейронных сетей. Например, вUCI Machine Learning Repositoryнекоторые из списка.

Наборы данных небольшие и легко помещаются в памяти, а это означает, что объем проекта также невелик, что позволяет использовать надежные сценарии оценки модели. Например, перекрестная проверка в k-кратном порядке, и может потребоваться тщательный дизайн модели, чтобы избежать переобучения.

Я хотел бы иметь ряд проектов, которые касаются общих проблем стандартных проектов прогнозного моделирования, таких как:

Измените входные данные, чтобы продемонстрировать навыки предварительной обработки данных, подходящие для нейронных сетей:

  • Введите переменные с той же областью действия.
  • Введите переменные в разных масштабах.
  • Переменные, которые смешивают числовые и категориальные типы.
  • Переменная теряет часть своего значения.
  • Данные с избыточными возможностями ввода.

Продемонстрируйте соответствующие навыки построения модели, обрабатывая несколько целевых переменных:

  • задача бинарной классификации.
  • Многоклассовые задачи классификации.
  • вернуть задачу.

Уровень 2: ввод в эксплуатацию

Предполагая уровень способностей 1, затем покажите, что вы можете получить максимальную отдачу от своей модели нейронной сети глубокого обучения, используя как традиционные, так и современные методы.

Он демонстрирует следующие вещи:

  • Способность к обучению. Вы можете улучшить процесс обучения нейросетевых моделей.
  • Обобщение. Вы можете уменьшить переоснащение обучающих данных и ошибку обобщения данных вне выборки.
  • Способность предсказывать. Вы можете уменьшить дисперсию конечной модели прогнозирования и улучшить навыки модели.

Способность к обучению

Способность к обучению означает, что вы знаете, как настроить гиперпараметры алгоритма обучения, чтобы программа работала лучше.

Это означает навыки настройки гиперпараметров стохастического градиентного спуска, таких как:

  • размер партии
  • скорость обучения
  • График скорости обучения
  • адаптивная скорость обучения

Это означает корректировку навыков, влияющих на способности модели, таких как:

  • выбор модели
  • Выбор функции активации
  • количество узлов
  • количество слоев

Навыки для решения соответствующих проблем в процессе (машинного) обучения, таких как:

  • Градиент исчезает
  • градиентный взрыв

Это также означает использование технологий для ускорения усвоения навыков, таких как:

  • пакетная нормализация
  • Многоуровневое обучение
  • передача обучения

Обобщение

Обобщение означает, что вы знаете, как сконфигурировать и настроить модель, чтобы уменьшить переоснащение и повысить ее производительность на данных вне выборки.

Сюда входят такие классические методы, как:

  • регуляризация веса
  • увеличить шум
  • ранняя остановка

Это также включает в себя некоторые современные технологии, такие как:

  • ограничение по весу
  • нормализация деятельности
  • случайная инактивация

Способность предсказывать

Способность прогнозировать означает, что вы знаете, как использовать методы для уменьшения дисперсии модели, которую вы выбираете при прогнозировании, и комбинировать модели для повышения производительности.

Это означает использование комплексных методов, таких как:

  • Модель равновесия
  • интеграция стека
  • весовой баланс

проект

Проекты, демонстрирующие этот уровень компетентности, могут быть сосредоточены не столько на всех этапах прикладного процесса машинного обучения, сколько на конкретной проблеме и одном или нескольких методах, предназначенных для смягчения проблемы.

Вопросы, соответствующие этим трем компетенциям, могут включать:

  • Обучение модели слишком медленное
  • Проблема переобучения обучающему набору данных
  • Проблема высокой дисперсии

Опять же, это не означает достижения наилучшей производительности по конкретной проблеме, это просто показывает правильное использование технологии и ее способность справляться с выявленными проблемами.

Четкое представление исследовательского вопроса в проекте важнее, чем выбор набора данных или даже типа вопроса.

Некоторые наборы данных, естественно, вызывают некоторые проблемы, например, небольшие обучающие наборы и несбалансированные наборы данных могут привести к переоснащению результатов.

Можно использовать стандартные наборы данных машинного обучения. Вы также можете искусственно создать проблему, а затем доказать ее, или вы можете использовать генератор набора данных.

Уровень 3: Применение

Этот уровень компетенции выше уровней компетенции 1 и 2 и демонстрирует, что вы можете использовать методы глубокого обучения нейронных сетей в конкретных задачах.

То есть для демонстрации методов глубокого обучения, выходящих за рамки простых наборов данных в виде таблиц.

Это также демонстрация глубокого обучения для разных типов и конкретных экземпляров проблем в предметной области. В этих областях эти технологии могут работать хорошо, даже на современном уровне.

Он демонстрирует такие вещи, как:

  • возможность обработки данных. Вы можете загрузить и подготовить данные для конкретных задач для нейронных сетей.
  • технические навыки. Вы можете сравнить и выбрать подходящую модель нейронной сети для вашей конкретной задачи.

возможность обработки данных

Мощность обработки данных означает, что вы можете получать, загружать, использовать и подготавливать данные, используемые моделью.

Это, вероятно, продемонстрирует возможность обработки данных с использованием стандартных библиотек и подготовки данных с использованием стандартных методов.

Проблемные области и обработка данных могут включать:

  • прогнозирование временных рядов. Код для обработки проблемы временных рядов как задачи контролируемого обучения.
  • компьютерное зрение. API для загрузки изображений и преобразования для изменения размера пикселей (возможно, нормализовано).
  • обработка естественного языка. API для загрузки текстовых данных и преобразования декодированных символов или слов.

технические навыки

Техническая компетентность означает, что вы можете точно определить методы, модели и архитектуры моделей, которые подходят для конкретной задачи моделирования предметной области.

Это, скорее всего, потребует от вас знакомства с общими методами, используемыми в академической литературе и/или в промышленности для решения общих задач класса в этой области.

Проблемные области и проблемно-специфические подходы могут включать:

  • временной ряд прогноза. Используйте модель предсказания последовательности. Например, модели сверточной нейронной сети и модели рекуррентной нейронной сети.
  • компьютерное зрение. Использование глубоких сверточных нейронных сетей и использование специальных архитектур.
  • обработка естественного языка. Использование моделей глубоких рекуррентных нейронных сетей и специальных архитектур.

проект

Проекты, демонстрирующие этот уровень компетенции, должны охватывать прикладные процессы машинного обучения, использовать методы тщательной настройки моделей (компетенции уровня 1 и 2), а также должны быть сосредоточены на наборах данных, специфичных для предметной области.

Набор данных взят отсюда:

  • Стандартные наборы данных, используемые для проверки методов в научных кругах
  • Набор данных для веб-сайта соревнований по машинному обучению
  • Уникальные наборы данных, собранные и определенные вами.

Может быть большое количество проблем, принадлежащих к данной проблемной области. Они могут быть в центре внимания демонстрационных проектов, хотя будет и более распространенная или заметная подгруппа.

Некоторые примеры доменов и важных подпроблем могут включать:

  • прогнозирование временных рядов. Одномерные, многомерные, многоступенчатые и категориальные.
  • компьютерное зрение. Классификация объектов, локализация объектов и описание объектов.
  • обработка естественного языка. Классификация текста, перевод текста и реферирование текста.

Может быть желательно продемонстрировать компетенции на высоком уровне в разных областях, чтобы хорошо были представлены методы обработки данных, методы моделирования и навыки.

После решения наиболее важных проблем и методов может также потребоваться специализироваться в определенной области и сузить масштаб демонстрационного проекта до менее заметных подзадач.

Поскольку этот тип проекта может продемонстрировать более широкую привлекательность глубокого обучения (например, способность превзойти классические подходы), опасно сразу переходить на этот уровень.

Это могут сделать опытные практики с более глубокими знаниями и опытом в других методах машинного обучения или в этой специализированной области.

Однако это очень сложно, так как вам, возможно, придется учиться, ориентироваться и демонстрировать компетентность на всех трех уровнях одновременно.

Это самая большая ошибка новичков. Они углубляются в проекты в конкретных областях и сталкиваются с одним препятствием за другим. Потому что они все еще плохо разбираются в использовании библиотек, процессе завершения проекта от начала до конца и процессе улучшения производительности модели, не говоря уже о конкретных методах обработки данных и моделирования, используемых в предметной области.

Опять же, с этого уровня можно начать, но это даст вам только в три раза больше работы и разочарований.

Согласны ли вы со структурой компетенций? Как вы думаете, это пустяк? Пожалуйста, дайте мне знать в комментариях.

Расширенное чтение

Если вы хотите копнуть глубже, в этом разделе вы найдете больше ресурсов по этой теме.

Почта

статья

Суммировать

В этой статье вы обнаружили три уровня способностей к глубокому обучению и то, что вы должны продемонстрировать на каждом уровне как практик.

В частности, вы узнали:

  • Возможности глубокого обучения лучше всего оцениваются через портфолио проектов.
  • Иерархия из трех уровней компетентности может быть использована для категоризации практиков и предоставления основы для определения ожидаемых навыков.
  • Самая распространенная ошибка новичков заключается в том, что они начинают с уровня 3, то есть пытаются изучить все уровни сразу, что приводит к путанице и разочарованию.

У вас есть вопросы? Задавайте вопросы в разделе комментариев ниже, и я сделаю все возможное, чтобы ответить.

Если вы обнаружите ошибки в переводе или в других областях, требующих доработки, добро пожаловать наПрограмма перевода самородковВы также можете получить соответствующие бонусные баллы за доработку перевода и PR. начало статьиПостоянная ссылка на эту статьюЭто ссылка MarkDown этой статьи на GitHub.

Программа перевода самородковэто сообщество, которое переводит высококачественные технические статьи из Интернета сНаггетсДелитесь статьями на английском языке на . Охват контентаAndroid,iOS,внешний интерфейс,задняя часть,блокчейн,продукт,дизайн,искусственный интеллектЕсли вы хотите видеть более качественные переводы, пожалуйста, продолжайте обращать вниманиеПрограмма перевода самородков,официальный Вейбо,Знай колонку.

Категории