प्रश्न:
मशीन लर्निंग में कैरियर के नियम क्या हैं?
ए:मशीन सीखने की सफलता के लिए अक्सर कौशल और अनुभवों के संयोजन की आवश्यकता होती है। इन सिद्धांतों और कौशल सेटों में से कुछ के बारे में विस्तार से जाने से लोगों को यह समझने में मदद मिलती है कि मशीन सीखने वाले पेशेवरों को काम पर रखने के लिए कंपनियां क्या देख रही हैं।
एक बहुत ही बुनियादी अर्थ में, आप कह सकते हैं कि मशीन सीखने की सफलता अक्सर तीन गुना सिद्धांत - प्रोग्रामिंग, गणित और अंतर्दृष्टि पर टिकी हुई है। इन तीनों चीजों में से प्रत्येक मूलभूत रूप से अलग है, लेकिन उनमें से प्रत्येक मशीन लर्निंग विशेषज्ञ के रूप में कैरियर को विकसित करने में एक भूमिका निभाता है।
प्रोग्रामिंग एंड से, पायथन और आर जैसी भाषाओं को जानना काफी उपयोगी हो जाता है, लेकिन रेल्स, कॉर्ल, पर्ल और रूबी जैसी भाषाओं के क्रॉसओवर कौशल भी हैं, जिनका कुछ मूल्य हो सकता है। इसका एक हिस्सा प्रोग्रामिंग की मौलिक प्रकृति के कारण है - यह कि आप उन संचालन और मूल्यों से रूबरू हो रहे हैं जहाँ उन्हें होना चाहिए। फिर मशीन लर्निंग प्रोजेक्ट भी हैं जो विरासत कोड का लाभ उठाते हैं।
दूसरा मौलिक सिद्धांत गणित है। उन्नत गणितीय कौशल या कौशल वाले लोगों को अक्सर मशीन सीखने की दुनिया में बहुत अधिक सफलता मिलती है। जब वे तंत्रिका नेटवर्क या अन्य मॉडलों को देखते हैं, तो वे गणितीय समीकरणों को तोड़ने में सक्षम होते हैं जो नेटवर्क आउटपुट के लिए नेतृत्व करते हैं। लोग अक्सर तकनीशियनों से भी तंत्रिका नेटवर्क के बारे में "ब्लैक बॉक्स" के बारे में बात करते हैं - लेकिन इस हद तक कि आप गणित में समझदार हैं, आप इस कार्यक्रम की बेहतर समझ की ओर यात्रा शुरू कर सकते हैं।
यह तीसरे सिद्धांत की ओर जाता है, जो अंतर्दृष्टि है। संभावित आंकड़ों को समझना वास्तव में मशीन सीखने की सफलता में मदद करता है। ऐसा इसलिए है क्योंकि मशीन सीखने के साथ, परियोजनाएं विशुद्ध रूप से निर्धारक या रैखिक प्रोग्रामिंग क्षेत्र से एक नए संभाव्य क्षेत्र में बढ़ रही हैं। संभावना के बारे में अधिक समझ रखने वाले व्यक्ति भारित इनपुट को देख सकते हैं और बेहतर अनुमान लगा सकते हैं कि परिणाम क्या हो सकते हैं। हालांकि, एक अन्य अर्थ में, जो लोग मशीन लर्निंग के बारे में सहज ज्ञान युक्त हैं, समझेंगे कि इसके अनुप्रयोगों को उन चीजों तक कैसे सीमित किया जाए जो समझ में आते हैं।
आज मशीन लर्निंग में बड़े पांच नुकसानों में से एक उद्यम अनुप्रयोगों में मशीन लर्निंग के बड़े पैमाने पर और अंधाधुंध अनुप्रयोग है। ऐसी कई स्थितियाँ हैं जहाँ मशीन लर्निंग सिर्फ एक अच्छा समाधान नहीं है - चाहे वह सिस्टम की जटिलता के कारण हो, ओवरफिटिंग, पहले बताई गई ब्लैक बॉक्स समस्या या कुछ और। मशीन लर्निंग स्पेस में कुछ सबसे मूल्यवान पेशेवर वे होंगे जो जानते हैं कि कैसे परियोजनाओं को अच्छी तरह से चुनना है - मशीन सीखने के अनुप्रयोगों को कैसे क्यूरेट करना है - और एक कुशल सलाहकार के रूप में खरीद-इन और प्रक्रिया को कैसे संभालना है।
