机器学习工作职位需要的7项技能

机器学习经常与人工智能紧密相连,在不考虑显式编程的情况下,机器学习可以使计算机具备完成特定任务的能力,例如识别,诊断,规划,机器人控制和预测等。它往往聚焦于算法创新,即在面对新数据时,其自身能够发生演化。

在某种程度上,机器学习与数据挖掘很相似。它们都是通过数据来获取模式。然而,与人类可理解的数据提取方式不同—通常是按照数据挖掘应用的方式——机器学习主要是使用数据去提升程序本身的理解能力。机器学习程序能够在数据中检测出相关模式并相应的进行程序行为的调整。

现在,你是否准备去了解一些获得机器学习工作必备的技术了呢?一个优秀的求职者应该对以下各方面知识都有很深的理解:算法和数学应用,问题解决能力和分析技巧,概率统计和诸如Python/C++/R/Java等编程语言。此外,机器学习还需要求职者具有与生俱来的好奇心,因此,如何你从来没有失去过自孩童时代就有的好奇心,那么,你就能顺理成章在机器学习领域取得成就。这里详细的列出一个的必备的技能清单。

1.Python/C++/R/Java

如果你希望在机器学习领域获得一份工作,那么在某种程度上,你很可能必须学习这里所列出的所有编程语言。C++能够加速代码执行速度。R在统计绘图方面十分出色,Hadoop是以Java为基础的,因此,你可能需要在Java中完成Map/Reduce算法。

2.ProbabilityandStatistics(概率和统计)

概率和统计理论能够帮助你学习算法。很多常用的模型例如朴素贝叶斯、高斯混合模型和隐马尔可夫模型等,需要你有很好的概率和统计背景知识去理解。甚至你需要全身心的投入并且研究测度理论,同时需要理解一些统计指标,这些指标常作为模型评价标准,例如混淆矩阵,ROC曲线,P值等。

3.AppliedMathandAlgorithms(数学和算法)

对算法理论有相当深入的认识并且了解算法运行的机制,能够帮助你对模型加以区分,例如支持向量机模型(译者注:支持向量机模型包括许多不同的核函数,核函数的不同,具体模型的原理、应用和结论也不同)。你需要理解一些数学方法,例如梯度下降,凸优化,拉格朗格方法,二次规划,偏微分方程等类似的理论和方法。同时,你也需要熟悉求和运算[http://en.wikipedia.org/wiki/Summation]。

4.DistributedComputing(分布式计算)

大多数时候,机器学习需要处理大型的数据集。使用单机无法处理这些数据,因此,你需要通过集群进行分布式计算。像ApacheHadoop架构和Amazon的EC2云服务等项目能够使这一过程更加容易,从而提高成本效益。

5.ExpandingtheExpertiseinUnixTools(使用Unix工具来拓宽你的专业知识)

你应该掌握专门为以下工作而设计的Unix命令或工具:cat,grep,nd,awk,sed,sort,cut,tr等。由于所有这些处理过程都运行于基于linux平台的设备,因此,你需要熟悉这些工具。学习并很好的使用这些工具,会使你的工作更加轻松。

6.LearningmoreaboutAdvancedSignalProcessingtechniques(学习一些信号处理技术)

特征提取是机器学习最重根据部分之一。不同问题需要不同的解决方案,你可以使用非常酷的高级信号处理算法,例如小波变换,剪切波变换,曲线波,轮廓波和bandlets变换等。学习时频分析技术,并用它来解决你的问题。如果你还不知道傅里叶分析和卷积原理,你同样也需要学习这些知识。二进制码信号处理技术是解决问题的重要方法。

7.Otherskills

(a)提升自己:你必须时刻保持与新技术的同步以应对将要到来的挑战。这也意味着你必须注意以下几方面的最新动态:关于这些工具理论的变更日志和会议,算法的研究论文、博客和会议视频等。(b)大量阅读。阅读一些像GoogleMap-Reduce,GoogleFileSystem,GoogleBigTable,以及eUnreasonableEffectivenessofData之类的论文。此外,网上也有许多免费的机器学习书籍,你同样也应该读一读。

appyMachineLearning!

译后语:世界上最痛苦的事是什么?就是你以为是原创,其实别人早就做过了…,这篇译文的题目是7keyskillsrequiredforMachineLearningjobs,另有一篇来自于问答SNS网站Quora的文章Whatskillsareneededformachinelearningjobs?,两者相似度很高,后者内容更全面,并且已有网友羽林飞扬翻译过了。可悲的是,我翻译到最后,在查找一个专业术语的译意时才发现的,早知道就不做这无用功了(我翻译的真是好烂)…,这里贴出该网友的译文地址供大家阅读:

本文翻译自:7keyskillsrequiredforMachineLearningjobsfrom“BigDataMadeSimple”(大数据其实很简单)该网站由CrayonData创建,该公司是关注大数据及其分析的几家科技投资商之一,由新加坡和印度联合设立。

作者:AlexaStrife(整理自Quora的:Whatskillsareneededformachinelearningjobs?)

原文发布于微信公众号 - 大数据(hzdashuju)

原文发表时间:2015-05-25

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏ATYUN订阅号

赫尔辛基大学AI基础教程:最近邻分类(4.2节)

最近邻分类是最简单的分类方法之一。当对给定项分类时,它会找到与这个项最相似的训练数据项,并输出其标签。下面的图给出了一个示例。

974
来自专栏AI派

一文告诉你什么是用户画像

做推荐系统的时,我们需要了解我们的用户,也就是说需要对用户的基本情况、基本喜好有个了解。

4325
来自专栏ATYUN订阅号

光子量子处理器Xanadu团队:探索量子神经网络

2684
来自专栏AI研习社

Facebook 开源 FAISS;MIT 开发机器学习数据合成系统 SDV | 开发者头条

更高效的聚类、相似性搜索算法库,Facebook 开源 FAISS MIT 黑科技,合成数据也能用于机器学习 机器学习算法成功预测人造地震 每日推荐阅读 Vi...

3474
来自专栏ATYUN订阅号

OpenAI新突破:使机器人操纵物体如人类一样灵活

在即将发表的一篇论文“Dexterous In-Hand Manipulation”中,OpenAI研究人员描述了一种系统,该系统使用强化模型,AI通过反复试验...

912
来自专栏ATYUN订阅号

强化学习简介(第一部分)

强化学习是机器学习的一个方向,智能体通过执行某些操作并观察从这些操作中获得的奖励或者结果来学习在环境中行为。

1523
来自专栏AI科技大本营的专栏

如何将深度学习与你正在做的事情相结合?

作者 | 李嘉璇 文章来源Gitchat,AI科技大本营合作发布,点击「阅读原文」查看交流实录 前言 人工智能是目前各行各业最火热的技术,如果说前两年是『互联...

36511
来自专栏机器之心

从标题到写作流程:写好一篇论文的十条基本原则

3156
来自专栏量子位

Caffe2正式发布!新框架有何不同?贾扬清亲自解答

王新民 若朴 发自 凹非寺 量子位 报道 | 公众号 QbitAI ? △ 图左为Caffe2作者贾扬清 今天凌晨召开的F8大会上,Facebook正式发布C...

4406
来自专栏木东居士的专栏

你了解你的数据吗(筑基篇):核心维度分布和数据口径

4124

扫码关注云+社区

领取腾讯云代金券