新闻中心 NEWS

当前位置:主页 > 企业招聘 >
入门 ai如何选择好的材料
来源:http://www.yntiankun.com 责任编辑:www.k8.com 更新日期:2018-10-16 13:57
都已经毕业了,每天要上班,不能像以前读书的时候,整天只是学习,学什么都有老师教,坐在那儿听就可以了。 自己从头看书太辛苦了,网上的文章又太碎片化是不是报一个培训班,交点钱听人讲更容易学会? 培训班有那么多,这个是证书,那个是优惠,再一个给提

  都已经毕业了,每天要上班,不能像以前读书的时候,整天只是学习,学什么都有老师教,坐在那儿听就可以了。

  自己从头看书太辛苦了,网上的文章又太碎片化——是不是报一个培训班,交点钱听人讲更容易学会? 培训班有那么多,这个是证书,那个是优惠,再一个给提供工作机会,到底选哪个好呢?

  NOTE:我们此处说得培训班指需要较长时间(一般以月为计)的付费培训。线上线下都包括,但一定能够和培训教师直接交流,有答疑过程。

  如今,网络资源那么发达,IT类技术都不难找到各式各样免费或费用很低的书籍、资料、课件、讲座、代码。从理论到实践都有讲解。

  如果想要自学,是完全有条件的,那为什么还要去上培训班呢?原因大概有一下这些:

  •直接原因:精力分散,不够专注,书读不下去,代码看不下去。 •深层原因:驱动力不足以让自己专注。 •根本原因:没有足够渴望的目标,无法调动自身能量形成驱动力。

  其实归根到底,学不下去是因为不知道学习是为什么,学了到底有什么用。漫无目的的学习注定是浪费时间。

  在明确目标的指引下,比较容易找到什么“有用”——虽然有点功利,但不得不承认,“有用”与否是大多数人产生驱动力的重要所在。

  我们可以以“在AI领域找到技术岗位工作”为基准,进行学习。避免东一下,西一下的“乱学”。

  但是要注意,这个目标如果仅仅停留在:“我要做AI”,是不能称之为一个目标的。真正的目标必须具有可实施性,并最终体现为实施计划。

  至少要能够定位到你的目标岗位,明确了这个/类岗位的技术要求,才有可能确定需要学习的内容有哪些,从而选择到正确的培训课程。

  可能你本来就有特别感兴趣的领域;或者你对某一种技术,比如人脸识别,特别兴趣,那么可以直接由此入手。

  如果你本来对AI了解不多,只是想做当前市场上最热门的领域,那也比较好办。多爬一些招聘网站、职场社交媒体的招聘信息,做一下数据分析,看看哪些领域招的人最多,薪水最高。

  用Google找论文还是比较赞的,而且相关度排序综合了论文的成果贡献,作者的学术地位和新颖度。

  如果方便用Google,直接输入领域相关keyword,取前3-5篇拿来读。读后再根据阅读中遇到的问题、产生的兴趣回溯寻找其引用文献,或者重新搜索。

  线篇比较新的论文,哪怕是普通博士生发表的,也能让你对一个学术领域有最基本的理解了。

  AI作为一个新兴方向,很多领域还处在研究阶段,真正能够应用到现实产品中的领域相当有限。

  有代表性不过就是:语音识别/合成,图片/人脸识别,和NLP的一些分散应用。

  当然并不是说尚未投入使用的技术就不值得去了解或者投身,比如现今热点中的热点——自动驾驶——尚处于研究性质远超实用的探索阶段,虽然很多公司都在做,但其实并没有实际的投入真实世界使用。

  有了目标技术再找企业就相对容易多了。虽然大公司掌控了当前AI领域的绝大多数人才和资源,但是也有越来越多的小企业在具体技术点上发力。

  普遍来说,进大公司是为了公司,而进小公司则是为了跟人。而AI行业又是一个强学术背景的行业,一个公司也好,团队也罢,如果连一个有一些最起码学术建树的博士都没有,那能走多远真的不好说。

  从这一点来看,step 2的调研过程也可以应用到此处。如果有感兴趣的小公司,尤其是刚刚创业不久的startup,不妨先评估一下技术合伙人的学术水平。

  这里的具体岗位,到并不一定指XXX公司的XXXX岗位,而是指同一类型公司同一技术角色的相对普遍要求。

  角色1:科学家——研究理论,开发/改进算法;角色2:工程师——结合业务,训练模型;角色3:工程辅助——选择、清洗、标注数据等。

  从目前实践来看,一个团队中,如果工程辅助不是外包给第三方的话,工程师本身也要肩负工程辅助的责任。或者虽然内部有分工,但工程师和工程辅助都属于一个团队,在职衔上也没有明显区别。

  一般来说,如果不是科班出身,没有在学校读到相关专业博士毕业,在入行的时候就不必指望AI科学家了。对于一般人而言,需要确定的是角色2和3 而已。

  当你选定了公司之后,注意先看看同等类型公司,至少有代表性的那些,角色2和3是分开的还是合并在一起的。这一点,通过招聘启事的职位描述就应该可以找到。

  从描述来看,角色2和角色3是不同成员来分担时,2显然比3 cool多了。但正因为如此,两者的能力要求必然也有区别。

  领域、企业和角色共同定义了岗位之后,再根据岗位需求来反推需要学习的内容,就是有的放矢了。

  虽然推荐上述路径,但是笔者确实知道,很多人喜欢走“捷径“——去招聘网站用AI、人工智能等关键词搜索一堆职位,看看那些职位要求的工具和语言是什么,直接去学就好了。相当于从step1直接跳到了最后。

  反正现在大多数职位都要求Python,Tensorflow,直接报个班学学怎么用Python调用现成的算法,或者怎么用tensorflow处理数据不就好了?何必那么麻烦,还要看什么论文,学什么理论。

  这种想法,平安校园学生定位管理系统属于典型的被“捷径“误导。在AI行业从事技术工作,哪怕是做角色3的工程辅助工作,如果想要做得长久,有所发展,理论学习是必不可少的。

  工具就像是武器,学会使用一种工具只是学会了使用这种武器的最基本的招式和套路。而理论学习则是学习策略,决定了未来在真实对战中,遇到对手攻击时,你选取哪些招式套路,如何组合起来去迎敌。

  不排除现在有些公司跟风慕名,想做AI,自己没有人才,就直接招聘,要求会用XX工具就可以了。只学会用工具做一些基本操作,也许就可以应聘这样的职位。但是这样的职位能长久吗?能解决真正的问题,产生价值吗?做这样的工作,能有长进提高个人价值吗?

  有了明确的目标,也就有了明确的范畴(scope)。同时,经过上节step2-4,还搞明白了,学了这些东西,能用来干什么,最终会把它用到什么场景中去。

  有了这些,就可以确定一个知识体系(至少是其中一个结构分明的分支)。并进一步确定,对这个体系中的内容需要了解到什么深度。

  有了体系和深度,进而可以列举出所需要掌握的各个知识模块。在此基础上,划分学习内容。然后根据需要学习的内容制定学习计划。

  很多人在制定学习计划的时候,会从时间出发。但是如果没有内容,光指定时间是没有意义的。学习计划的最初步应该是知道要学什么。具体步骤可以这样来走:

  可以借鉴做作文列提纲的办法:在勾勒出轮廓之后,先把知识结构的骨干勾勒出来,分为篇章,列出大标题,再在其中填注小标题(知识点)。

  个人意见:学习一个计划中的最小单位,如果是不脱产,仅在业余时间学习,掌握它的时间不应该超过一周;如果是全脱产学习,最好不要超过2天。

  从需求出发:笔者要学习基于机器学习的自然语言处理,具体的应用是开发聊天机器人的语言理解模块。

  进行调研:通过 i) 向有类似经验的同事请教; ii) 到网上搜索综述性文章和NLP领域论文;iii) 查找实践类的文章、类似开源项目……等一系列手段,笔者了解到,最起码有两件事情必须要做:意图分类和实体提取。

  而基于模型的方法有较强的可扩展性,而且随着聊天机器人用户和语料的增多,还可以通过反馈持续增强模型。在聊天机器人中应用机器学习/深度学习不仅符合产品发展的需求,也是当前业界的发展方向。

  机器学习和深度学习的区别在于:前者适合相对数据量、运算资源较小,而开发者对业务理解较深的场景;后者则更加“自动化”,但对于数据量和运算量需求巨大,尤其是对人工标注的数据要求很高,先期投入太大。

  很多学校计算机专业的都开设机器学习课程,找到相应的教学大纲和课本并不难。通过高等院校的教学大纲和课本目录来了解一个学科体系,普遍而言是最靠谱的方法。

  机器学习有一点特殊的地方——有一位大牛,Andrew Ng,在几年前就发布了一份免费网上课程叫做“机器学习”。因其经典和学术上的严谨,也可以用来作为了解机器学习体系的一个来源。

  但是一般情况下,不建议在最开始的时候就直接把公开课、培训课程作为学习体系架构的依据。

  构建体系:通过对比多本机器学习著作,不难发现,机器学习理论是以一个个模型为主要内容的。

  之前工作中要用到的意图识别和实体提取,正好对应分类和seq2seq预测模型。而为了获取意图,可能还需要对原始语料做文本聚类。

  归根到底,模型是用来解决问题的。比如chat bot语言理解所用到的分类,序列预测,聚类等,都是典型的机器学习问题,每一个问题都对应多个模型。每一个模型都有其适用的具体情形。

  模型的获得包括算法和数据两个方面。需要一个训练过程,训练过程一般迭代进行,期间要做多次验证,根据验证结果调优,最终通过测试来检验模型质量。

  再通过进一步查询资料得知,要了解这些模型的运行原理,就得读公式,那么就需要求导、求微分、求积分、矩阵运算、概率统计等方面的知识。

  还有就是,所有模型处理的都是数值,我们要把现实当中的文本等人类可读信息都转化成向量。这就需要掌握将文本转化为向量空间模型的能力,和数据清洗整理的能力。这些能力又都是以编码能力为支撑的。

  1)高数、线)选择一批在实践中应用较多的典型模型,学习其原理、数学推导过程和训练模型的算法; 3)模型的训练、验证、测试过程和评判模型的指标; 4)将人类可读信息转化为数值的方法; 5)训练、测试模型的工具、框架和编程语言。

  学习计划成型:有了上面这些,再结合资料和自己当前需求,确定必学范畴内的模型类型,就可以构建详细计划了。

  如上只是第一个版本,可以先依据它制定一个为期两到三个月的学习计划。在执行过程中,根据新的认识和具体需要可随时调整提纲和计划。

  本文的主题就是如何选择技术培训,居然前面废了那么多话才说到选择培训课程,是不是已经有朋友等不及了?

  或者有的朋友觉得,选培训课有什么难的?现在互联网信息这么发达,就把培训课当餐馆电影院一样选又有什么不好?大众点评里有好多培训机构培训班呢,上去看看评价,看看星级,还有优惠券拿,直接选一个不就行啦。何必还要自己定制什么学习计划,多此一举。

  尤其是像AI这种热点、风口,如果因为总也学不进去东西,错过了发展最迅速阶段的黄金入门期,可能错过的是大好的职场机遇!

  AI行业的知识、技术,包括各种工程实践,best practice,都是纯粹的书面知识。

  不像乐器、舞蹈之类,文字不足以描述,需要老师面对面指导和反复多角度演示才能掌握到位的技能;书面知识,肯定是可以自学的。

  上培训课的原因很简单:为了省事——自己学太累了,不如听老师讲。用耳朵听,比用眼睛看书轻松,而且老师讲得,总比书上写的丰富细致吧。

  用自己的金钱和时间换取他人的知识和经验当然没问题,甚至可能是高效的办法。但如果觉得,只要自己花了钱,就可以坐在那里,等着老师把知识塞到自己脑子里,可就大错特错了。

  相对于力求清晰、简洁、逻辑性强,具有“攻击性”的书面资料,合格的课堂讲解应该是丰富、细腻、包容性强,具有“防守性”的。

  特别是和数学相关的内容,那些公式推导过程,往往一步千里,如果有人能够给每一个前进步骤一个解释,理解起来会比自己看轻松好多。

  无论文字还是影音资料,都是只有传达过程,没有针对每个读者个人的答疑解惑。培训课程恰恰可以弥补这个不足。

  可能有些同学上培训班的目的之一是直接获得系统性知识的传达,因此,也就觉得不必做之前说的,自己构建知识体系,定制学习计划的事情了。

  自己就算定了个计划,也不太可能找到完全一致的培训班。随便报个班,老师自然有教学大纲,听着就是了,为什么要自己费力气?

  此处需要提示这些同学一点:如果你自己都不知道想要学习什么东西,又怎么能够正确判断一门培训课程的质量呢?

  毕竟,培训(不止是培训,其实所有教学都是如此)要有效,一定是教师和学生双方配合的结果。

  1)教的人有足够的个人积累和授课技巧用以传达知识; 2)学的人主动吸收传授内容并同步思考、理解; 3)教的人教的内容与学的人想学的内容相匹配,且张力适度。

  学生在一无所知的情况下,看广告报个班,对于学习本身缺乏动力和认识,自己都不知道想从课程中获得什么;或者教的内容与学生的背景相差太远,学生一句都听不懂——这种情况下,即使有幸碰到了好的老师和课程,能吸收的恐怕也非常有限。

  通过制定学习计划,学生不仅能够明确自己的需求,具体到每一节课想学什么,而且能够了解到这些授课内容之间的联系和优先级排序。

  1)制定计划的过程,是一个带着问题探索的过程,而“带着问题”很容易产生驱动力。

  当自己有疑问要解答的时候,就会有探索、学习下去兴趣和好奇,不至于看见那些东西就想睡觉。

  2)对照自己制定的学习计划寻找满足内容需求的课程,有助于独立判断培训课程和培训教师的“斤两”。

  知道自己现在缺什么,缺到何种程度。同时对照培训课程大纲和介绍,也可以辨识自己目前知识背景和培训课程深度是否匹配。

  对于课程深度的了解,还可以借助事先咨询授课教师或者培训学校来完成,对自己的了解则无人可以替代。

  现在我们已经有了一份自己定制的详细学习计划,而且也明白了按图索骥的重要性。下一步就要寻找具体的培训课程了。

  1)首先,AI领域有少量非常经典的现在培训课程,是完全免费的,而且非常容易找到。

  如果你和前面例子一样,已经选定了机器学习作为学习目标,Andrew Ng的Machine Learning是一定要从头到尾学一遍的。每节课后的习题都比较简单,要逼着自己做完。

  2)其次,通过书籍、文章、论坛、微信/QQ群、免费讲座和分享等渠道,去搜集大家的学习经验和各种培训班的信息。

  3)然后,在尽量广泛地收集了大量培训信息后,对照课程大纲和自己的学习计划进行选择。

  教师声誉、培训机构声誉、网友评价等可以作为参考和背书,但核心是课程大纲与个人计划的匹配度!

  当然,想找到和最初版本计划100%匹配的培训课程基本是不可能的(除非的你的计划就是照着某个培训课抄的)。

  这就不能不涉及到对于个人学习计划的裁剪。裁剪的原则应该是:确保核心知识和大体结构,在细节上做出妥协。

  比方说,你自我判断数学是必须要补习的部分,那么就不要找完全一点数学基础都不讲,上来就是模型的培训课。你确定了要学每个模型的数学推导过程,就不要找只是描述原理,把绝大多数时间都放在代码实践上的课程。

  但是如果大致结构和计划一致,只是有部分细节(例如模型类型)和你自己最初计划不同,则可以再进一步考虑。

  比如你希望学习CRF,某个课程不讲,但讲HMM。这两者都是seq2seq模型,不过一个判别模型,另一个是生成模型,有很多共性的地方。如果其他方面都合适,不必为了这一个模型放弃一门课。

  【亲历】笔者本人在机器学习方面的收费培训只上过一门,就是按照上述方法一步步完成的。结果感觉相当不错。

  不仅内容大多是笔者想听的,而且老师的风格与笔者颇为合拍——做计划做得类似的人,想必有不少共同的特质,交流起来也比较顺畅。这就是自己定制学习计划更深层次的好处。

  为了避免软文之嫌,这个课程具体为何在此就不说了。不过,对别人合适的课程未必对自己合适。这门课我曾经推荐给几位有兴趣的朋友,有人真的买了课,但是却听不下去,浪费了钱。原因就是教学不相匹配。

  本文的目的,并不是推荐具体的课程或者讲师,而是希望大家掌握去寻找适合自己的有效培训课程的方法。

  把新学到的东西和日常的工作、生活联系起来,进行思考。比如:将理论代入现实,不同领域间事物的类比,相似内容的对比等。

  以身边的实例来检测理论。不仅能够加深理论知识的理解,而且有助于改进日常事物的处理方法。

  准备一个笔记本,纸的或者电子的。有什么发现、感想、水利咨询新三板挂牌上市 2016年1-5月营收1485万元,疑问、经验等等,全都记下来。

  如果是对某个话题、题目有比较完整的想法,最好能够及时整理成文,至少记录下要点。

  隔一段时间后把笔记整理一下,把分散的点滴整理成块,一点点填充自己的“思维地图”。

  知识技能这种东西,学了,就得“得瑟”——把学习到的新知识、理论、方法,分享给更多的人。如此一来,倒逼自己整理体系、记忆要点,堪称与人方便自己方便的最佳实例。

  把自己的感想、体会、经验分享出来也是同理,还多出了锻炼自己逻辑思维能力和归纳总结能力。一举多得,何乐而不为?

  AI涉及到的数学特别多。很多数学问题,之所以让人头大,其实并不是真的有多难,而是符号系统比较复杂,运算繁复,或者运算所表达的物理意义多样。

  很多时候造成困扰是因为想不起来这里用到什么定理,哪个公式,或者这样操作表达的含义是什么了。

  如果把常用的细小知识点都记录下来,按主题整理在一起,做成速查手册(小字典),需要用的时候迅速查找一下对应点,效果往往意想不到地好。能让我们的学习“机器学习”之路顺畅不少。

 
上一篇:临沂金猴北城名居厨师招聘信息
下一篇:临沂金润招聘信息信息网 返回>>