转行机器学习的技能有哪些？想做好人工智能就要掌握这些内容

一、转行机器学习的技能有哪些——统计

为了深入理解机器学习，我们必须具备扎实的统计学基础知识，这涉及到几个方面：

衡量模型成功的各种方法(准确性、召回率、ROC曲线下面积等)。损失函数和评估指标**的选择与模型**的输出有何偏差。

如何理解**过拟合**和**欠拟合**和**偏差/方差权衡**。

你对模型的结果有什么信心。

二、转行机器学习的技能有哪些——机器学习理论

训练神经网络时，实际发生了什么?什么使一些任务可行而另一些任务不行?要找出这些问题，最好的方法不是深入学习理论知识，而是尝试通过图形和实例来理解机器学习。

要理解的概念范围包括：不同损耗函数的工作原理是什么，反向传播为什么有用，以及计算图是什么。如何建立一个功能模型，以及如何与团队中的其他人进行有效沟通，都需要深入了解。

另一项基本技能是阅读、理解和执行论文的能力。一开始可能很难做到这一点，所以最好的方法是阅读附带代码的论文(例如，研究关于gitxiv的论文)，并尝试理解它是如何实现的。

三、转行机器学习的技能有哪些——数据处理

如果你问任何数据科学家他们的主要工作是什么，他们会告诉你90%的工作是数据处理。这与应用人工智能同样重要，因为模型的成功与数据的质量(和数量)密切相关。数据工作包括许多方面，但可以归纳为以下几类：

数据采集(包括：寻找好的数据源，准确测量数据的**质量**和**分类**，获取和推断标签)

数据预处理(**缺失数据**填充，**功能工程**，数据**增强**，数据**标准化**，交叉验证和分割)

数据后处理(提供模型输出、清洗、处理**特殊情况**和**异常值**)

熟悉数据处理的最好方法是获取数据集并尝试使用它。有许多在线数据集，以及许多提供api的社交媒体和新闻媒体网站。基于以上步骤，我们可以了解到：

获取一个开源数据集并检查它。它有多大(点和特征的数量)，数据分布如何，是否有缺失或异常值?

构建将原始数据转换为可用数据的转换过程。如何填写缺失值?如何正确处理异常值?如何标准化数据?是否可以创建更多的性能特征?

检查转换的数据集。如果一起看起来很正常，请继续下一章!

四、转行机器学习的技能有哪些——调试或调整模型

调试机器学习算法(无法收敛，或结果不合理)与调试普通代码有很大不同。同时，要找到合适的体系结构和超级参数，需要有坚实的理论基础和完整的基础设施，才能对不同的配置进行全面的测试。

由于机器学习的快速发展，调试模型的方法也在不断发展。下面是从我们对部署模型的讨论和经验中总结出来的“合理性检查”列表，它在某种程度上也反映了许多软件工程师熟悉的kiss原则。

从一个简单的模型开始，它已经被证明可以与类似的数据集一起工作，以尽快获得基线版本。经典的统计学习模型(线性回归、最近邻等)或简单的启发式算法或规则通常可以帮助你解决80%的问题，并更快地达到要求。一开始，这是解决问题的最简单的方法(见谷歌机器学习规则的前几点)。

如果决定训练更复杂的模型以改进基线版本，则可以使用数据集的一小部分进行训练并实现过度拟合。这确保了模型至少有学习的能力。迭代模型，直到5%的数据被过度拟合。

一旦更多的数据用于训练，超级参数将发挥更大的作用。您需要了解这些参数所涉及的理论，以便找到合理的值。

请采用有针对性的方法对模型进行优化。简要记录您使用的所有配置及其结果。在理想情况下，可以使用自动超参数搜索策略。一开始，随机搜索就足够了。

开发能力越强，实现这些步骤的速度就越快，反之亦然。

五、转行机器学习的技能有哪些——软件工程

许多应用程序机器学习允许您充分发挥您在软件工程方面的技能，尽管有时会有一些变化。这些技能包括：

测试管道的所有方面(数据预处理和增强、输入和输出排序、模型推理时间)。

基于**模块化**和可重用性原则构建代码。

在培训过程中的不同点备份模型(**set checkpoint**)。

配置**分布式基础设施**，以便更有效地训练、搜索或推断参数。

以上就是《转行机器学习的技能有哪些？想做好人工智能就要掌握这些内容》的全部内容，从文字我们能看到，如果你问任何数据科学家他们的主要工作是什么，他们会告诉你90%的工作是数据处理，环球网校小编提醒您，如果你想知道更多人工智能知识，可以点击下方资料下载链接。