Cómo convertirse rápidamente en un ingeniero de análisis de datos

Convertirse en un ingeniero de desarrollo calificado no es fácil. Es necesario dominar una serie de habilidades, desde el desarrollo hasta la depuración y la optimización, y dominar cada habilidad requiere suficiente esfuerzo y experiencia. Es aún más difícil convertirse en un ingeniero de algoritmos de aprendizaje automático calificado (en lo sucesivo, ingeniero de algoritmos), porque además de dominar las habilidades generales de los ingenieros, también es necesario dominar una gran red de conocimientos sobre algoritmos de aprendizaje automático. Echemos un vistazo a cómo los ingenieros de análisis de datos pueden crecer rápidamente.

1. Comience con habilidades externas y tenga en cuenta las habilidades internas.

"Programación inteligente integrada" y "Métodos estadísticos básicos"

Lo que ve es lo que obtienes, con comentarios prácticos.

2. Esto es ingeniería, no ciencia, por lo que requiere más capacitación en proyectos reales.

LeetCode Kaggle

Requiere más práctica y está cerca de las operaciones reales. .

Leetcode entrena algoritmos tradicionales

Competencia de minería de datos de Kaggle (ingeniería de funciones, más importante que el modelo de aprendizaje en sí)

3. /p >

ICML NIPS AAAI CVPR, etc.

Nombres de revistas relacionadas con el aprendizaje automático.

Por ejemplo, en el aprendizaje profundo, puede aprender sobre nuevos sistemas de modelado y otros sistemas de modelado a través de revistas y realizar un aprendizaje específico.

Rutas de aprendizaje

Ya sea que tenga experiencia en informática o no, la habilidad matemática es una base muy necesaria para el trabajo de algoritmos. Los requisitos de dominio son los siguientes:

1. Matemáticas avanzadas, que incluyen principalmente funciones diferenciales e integrales, diferenciales parciales, valores vectoriales, gradientes direccionales, expansión de Taylor, etc. Es necesario comprender mejor la fórmula del algoritmo, el principio de ajuste de parámetros y el concepto de gradiente durante la iteración. ;

2. Álgebra lineal, principalmente operaciones matriciales, vectores de alta dimensión, operaciones espaciales, etc., que son la base para comprender el aprendizaje profundo en el espacio vectorial;

3. Teoría y estadística matemática, o teoría de probabilidad y estadística, debe comprender que el aprendizaje automático es esencialmente un problema de probabilidad, y la incertidumbre de aprender de los datos es obtener valores de probabilidad.

En resumen, lo anterior es lo que compartí con ustedes hoy sobre cómo los ingenieros de análisis de datos pueden crecer rápidamente. Espero que sea útil para todos.