🐍 ⏰ 🥛 AIキャリアへの究極のガイド：メジャーを選択し、レベルアップし、クールな仕事を見つける方法 ⛵️ 👨🏼‍⚖️ 😦

8月3日、MLと人工知能のスペシャリストであるSergeyShirkinがソーシャルネットワークで講演しました。

Sergeyは、SberbankとRosbankで金融技術とデータベースの自動化に関与し、Equifaxで機械学習と分析作業に基づいた金融モデルを構築しました。 Dentsu Aegis NetworkRussiaで人工知能法を使用してテレビ視聴を予測します。高等経済学部の客員講師（データ駆動型コミュニケーションの修士課程）。

Sergeyは、AIおよび機械学習に適用される量子コンピューティングについても調査しています。彼はオタク大学の人工知能、ビッグデータ分析、データエンジニアリングの学部の最前線にいて、学部長と講師を務めています。

放送と録音のトランスクリプトをあなたと共有します。

***

私の名前はセルゲイ・シャーキンです。今日は人工知能についてお話します。最初のパスについて説明します-人工知能に入る方法、必要な科目を学ぶ方法、どのコースを受講するか、どの文献を読むか、どのようにキャリアを開始するか。いろいろな方向についても。

今日のトピックは、初心者だけでなく、経験豊富なプログラマーにとっても興味深いものになる可能性があります。たとえば、プログラミングの分野から機械学習、人工知能、ニューラルネットワークの分野に移行する方法などです。人が従事している技術と彼が学ぶ言語に応じて、この分野への実際的な移行はさまざまな方法で行うことができます。AIにはたくさんの専門分野があります。

AIに自己没頭するための材料をお勧めしますか？

完全な初心者の場合は、Pythonを学ぶことから始めるのが最善です。他の初心者で見たように、これを行う簡単な方法はPythonTutor.ruです。そこで、理論を研究し、問題を解決する必要があります-少なくとも70％。これまでまったくプログラミングしたことがない場合、問題は難しいように思われる可能性があります。

次のステップはSQLクエリ言語であり、サイトSQL-EX.ruがここで役立ちます。SQLに関する演習があります。それらは段階ごとに編成されています：トレーニング段階、評価を取得するための段階-あなたは評価の特定の場所を取ることができます。ここでは、データベースの操作方法を学習します。並行して、作者のモイセンコの教材もあり、とても勉強しやすいです。

次に、機械学習自体を研究する必要があります。線形回帰、ロジスティック回帰から勾配ブーストに至るまでのさまざまなアルゴリズム。ここにはたくさんの資料があります。次に、ニューラルネットワークに移動できます-コンピュータビジョン用、NLP用。畳み込み神経ネットワーク、反復神経ネットワーク、および最も高度なもの（トランスフォーマー、バートなど）について学習します。

AIの開発についてお話します。 2010年以前のこの開発の歴史を見ると、それはかなり貧弱です。もちろん、AIや関連分野、たとえばビッグデータでいくつかの素晴らしい成果があり、多くの数学アルゴリズムが用意されていました。しかし、AIには十分な処理能力とデータがありませんでした。 2010年以降、つまり2012年以降、AIは爆発的に増加しました。 2012年、ある大会で、ニューラルネットワークは古典的なマシンビジョンアルゴリズムを打ち負かし、約1000の画像クラスを認識することを学びました。

この成果の後、古典的なコンピュータービジョンを使用した競合他社との間に大きなギャップが生じ、人工ニューラルネットワークの開発が始まりました。さまざまな革新的なネットワークアーキテクチャが登場し、コンピュータビジョンにブレークスルーが発生しました。以前は、ニューラルネットワークが猫と犬の画像を区別することは非常に難しいと考えられていましたが、2012年に、ニューラルネットワークは人間よりもはるかに高速かつ正確に画像を認識して分類することを学びました。

今日、コンピュータービジョンは大きな進歩を遂げました。並行して、自然言語処理（NLP）が開発されています。数か月前にOpenAIによって作成されたGPT-3モデルの出現により、ニューラルネットワークはテキスト（および音楽やその他のシーケンス）を生成することを学びました。これはNLPの主要なステップの1つであり、おそらくこの10年で繁栄するでしょう。人との対話を完全に維持できるチャットボットが表示されます。

SQLとPythonを少し。データサイエンスのコースを終えた後、経験がなくても、すぐにデータサイエンティストとしての仕事に就くことができますか、それとも最初にデータベースアナリストとして働く必要がありますか？

データサイエンスに入るのは、5年前よりも難しくなっています。その後、Kaggleでのいくつかの競争に参加し、トレーニングレベルではなく、いくつかの興味深い競争で、必ずしも最初の、たとえば最初の10％で開催することはできませんでした。その後、すでに企業に行って機械学習に関する簡単な質問に答えることができ、そのような人を雇うことができました。専門家はほとんどいませんでした。

今ではすべてがはるかに複雑になっているため、AIスペシャリストやデータサイエンティストなど、夢の仕事を得るために機械学習と数学を学んだ直後にうまくいかないことがあります。

良い方法は、最初にデータ、データベースアナリスト、またはデータアナリストと協力することです。実際には、データの前処理、クレンジング、統計の適用方法を学ぶ必要があります。これらは、Pythonを含むデータベーステクノロジーである可能性があります。経験を積むと、バックグラウンドがあり、Pythonのデータサイエンスライブラリ（Pandas、NumPy、SKLearn）の知識を使用して、AIまたはデータサイエンスに関連する仕事に応募できます。

AIスペシャリストとデータサイエンティストの違いは何ですか？

AIにはC ++が必要ですか？コンピュータービジョンのエキスパートになるために、何を勉強することをお勧めしますか？

現在、欧米企業の欠員には部門があります。データサイエンティストに加えて、AIスペシャリストのための個別の欠員があります。以前は、データサイエンティストは、表形式データの分析、コンピュータービジョンタスク、およびNLPタスクに従事する人物であると理解されていました。データアナリストの欠員もありました-それはまた非常に権威がありましたが、それはより少ない支払いでした。そのような人はデータを分析する必要がありましたが、主に表形式のデータを使用して、音声、テキスト、および画像に関連するAIに深く入り込むことはありませんでした。その後、欠員が混在していました。バレーでは、表形式のデータのみを扱う人や、NLPとコンピュータービジョンを扱う人を含め、すべてのデータアナリストはデータサイエンティストと呼ばれていました。同時に、少し後に、彼らは別のAIスペシャリストを割り当て始めました。ロシアの企業では、通常、そのような部門はありませんが、「NLP /コンピュータービジョンエンジニア」などの専門的な欠員がある場合もあります。データサイエンティストが少しずつすべてを実行できることが望ましい。

C ++について：最も基本的なのはPythonです。つまり、AIスペシャリストの場合は、TensorFLow、Keras、またはPyTorchを使用する必要があります。ただし、より低レベルのプログラムを作成する場合（たとえば、ジョブがロボット車両に関連する場合）、多くの場合、C ++コードが必要になります。 Pythonは常に高速であるとは限りません。機械学習用のライブラリは通常C ++で記述されますが、プログラム全体をC ++で記述する必要がある場合もあります。モデル自体に加えて、ロジック（if-elseなど）が機能し、C ++ではより高速に機能します。もちろん、すぐにそのような欠員に到達することは困難であり、最初に十分なPythonがある場所、たとえば、高速処理を必要とせずに画像分析を使用したソーシャルメディア分析がある場所で作業することをお勧めします。

スペシャリストになるには、ニューラルネットワーク用のライブラリを操作する方法を学び、Python用のOpenCVライブラリを研究する必要があります。C++でも利用できます。これにより、ツールボックスが提供されます。また、NumPyライブラリを操作して、画像分析の数学そのものを理解できること、つまり線形代数と計算を理解できること、およびニューラルネットワークのアーキテクチャを理解できることも望まれます。等。

MLインタビューで、ハッシュテーブルの競合を解決する方法について質問するのはなぜですか？

途中でグーグルできるのに、なぜこれが採用のマーカーなのですか？

すべての欠員がこれを求めているわけではありません。表形式のデータ分析に進む場合、尋ねられる可能性はほとんどありません。彼らは間違いなく、MLエンジニアのポジションに応募するかどうかを尋ねます。つまり、MLモデルを作成するだけでなく、それらを実装し、アルゴリズムとデータ構造を知る必要があります。また、ロボットカーのようなものを開発している場合は、さらにそうです。高レベルと低レベルのコードを作成する必要があり、この知識は必須です。また、表形式のデータの分析にこの知識が必要になる場合があります。たとえば、C ++でこのためのモジュールを作成するとします。

そのような欠員の準備がまだできていない場合は、さらにインタビューを行うことができます。たとえば、銀行でデータサイエンティストとして就職する場合、そのような質問は少なくなります。

私はPythonで10年間書いていますが、高等教育はありません。スマートにならずにAIの領域に入るのはどれほど難しいですか？

より高度な数学が必要です。コースを受講するか、文献を勉強する必要があり、これは長いプロセスになります。線形代数、計算、確率理論、および数学的統計のトレーニングが必要になります。通常の学校のカリキュラムは明らかにAIを研究するのに十分ではありません。もちろん、プログラムは異なります。一部の学校と10年生では、大学のトピックが取り上げられていますが、これはめったに起こりません。

Pandas、SKLearn、Catboost、Seaborn、Kaggleのトレーニングイベント-3％と13％。DLに飛び込む必要がありますか、それともすでに仕事を探すことができますか？

ライブラリはすでに順調に進んでいます。表形式のデータを操作するためのライブラリであるPandas、機械学習モデル用のSKLearn、勾配ブースト用のCatboost、レンダリング用のSeabornがすでにあります。結果は3％と13％です。これは、これがトレーニングコンテストでない場合、そのような結果ですでに何らかのメダルを獲得しているはずであることを意味します。

深い学習は必ずしも必要ではありません。あなたはすでに仕事を探しているのかもしれません。ただし、DLを使用する必要がある場合でも、ニューラルネットワークを教える必要があります。

読むべき本の基本的なセットは何ですか？

ストリームの最後に自分の本を表示します。私は基本セットを選びましたが、特に高度なものはありません。

これらの職業は現在どの程度需要がありますか？2年で欠員は多いのでしょうか？

たとえば、2015-16年を思い出すと、ヘッドハンターには5〜10人のデータサイエンティストの欠員しかありませんでした。つまり、ほとんど空の市場がありました。もちろん、その後、アナリストの名前がデータサイエンティストに変更されましたが、これも十分ではありませんでした。

同じサイトを見れば、今では一度に数百かかります。彼らはそこにない欠員があると言います。たとえば、ODS（OpenDataScience）を見ると、別の空席セクションがあります。一般的に、欠員は終わらないが、2年後にはもっと多くの欠員があると思う。大企業だけがこれに従事しているわけではありません。スタートアップ、中小企業があります。現在、データサイエンティストは、政府機関（たとえば、さまざまな地方自治体の部門、税務サービスなど）で必要とされています。

AIが最も需要のある業界はどれですか？

AIの最も単純なアプリケーションは、明示的に使用することで専門家の大量の精神的作業を自動化できるものであり、金融セクターにあります。膨大な数の銀行があります。それぞれが、たとえば、借り手の信用力を評価する必要があります。つまり、さまざまな基準に従って、ローンを発行する価値があるかどうか、その人が自分の強さを過大評価しているかどうか、ローンを返済できるかどうかを判断する必要があります。これはAIの最も明白な使用法です。

次に、マーケティング、広告キャンペーンの作成：つまり、人が広告を視聴するかどうかを予測する必要がある場合（インターネット、テレビなど）。これも開発された方向性であり、AIを使用して自動化しないことは不可能です。さらに、ロボット化は現在開発中です。産業用ロボットだけでなく、家庭用ロボットもあります。ロボット真空クリーナーやその他の家庭用アクセサリも、誰かによって開発されています。または、スマートフォンのさまざまなアプリケーション-一般に、産業、医学、小売、金融、マーケティング、そしてエンターテインメントで終わるまで、多くの産業があります。たとえば、AIはゲームでも使用できます。

データサイエンスの仕事に応募するとき、さらに100を高く評価します：数学の知識、特定のアルゴリズムの理解、仕事の経験？

彼はテクニカルマスターの学位を持ち、コンサルティングのデータアナリストとして1年間働いています。

あなたには優れた経歴があります。技術大学であり、データアナリストとして1年間働いています。すでにテクノロジーを学び、プログラミングの方法を知っている場合は、データサイエンスに入るのは簡単です。データベース分析に携わっており、SQLを知っている場合、これは大きなプラスです。プログラミングと機械学習を追加する場合、これは非常に優れたセットです。

職場で機械学習モデルを構築する方法について説明します。私が働いている会社は、特にマーケティングで働く人々の間で非常に有名な会社である電通イージスです。これは、世界でトップ5のコミュニケーショングループです。本社は東京にあり、145カ国にオフィスがあります。ロシア支社-電通イージスネットワークロシア。彼はロシアで25年間働いており、メディアイノベーションのパイオニアです。

私がデータサイエンティストとして担当している分野についてお話します。これはまさに、実際のアプリケーションで最も明白なものとして私が話したアプリケーションです。マーケティングにおけるAIは、スペシャリストのタスクの多くを自動化するのに役立ちます。そのうちの1つは、さまざまなタイプのコンテンツがさまざまなターゲットオーディエンスによってどのように表示されるかを予測することです。私の当面の課題の1つであるテレビ視聴予測について詳しく説明します。

聴衆は数百人になる可能性があり、それらを手動で予測するには、数十人の専門家の作業が必要になります。圧倒的です。非常に大量のデータ-テーブル内の最大数十億行。機械学習モデルを構築するだけでなく、それを迅速に機能させることにも注意を払う必要があります。このような作業を行うには、リレーショナルデータベースと非リレーショナルデータベースをよく理解し、Linuxを操作し、開発スキルを持ち、アプリケーションアーキテクチャ、会社のITインフラストラクチャをよく理解し、Python、場合によってはC ++をよく理解している必要があります。

TV視聴の予測を作成するときは、最新の機械学習方法を使用します。表形式のデータの場合、これらは勾配ブーストとランダムフォレストです。テキストを分析する場合は、ニューラルネットワークを使用します。それらに加えて-トピックモデリング、TF-IDFおよび他の一般的なNLPメソッド。

表形式のデータを使用して予測する場合、勾配ブーストは、そのようなデータを処理する際のすべての既知のアルゴリズムよりも進んでいるため、勾配ブーストを使用します。 Kaggleでは、2018年から、表形式のデータを使用した競技会でのすべての主要な成果が、勾配ブーストの助けを借りて正確に達成されました。その後、ほとんどのケグラーはXGBoostに切り替えました。これは、勾配ブースト用の最初の既知のライブラリであり、後に多くの人がMicrosoftのLightGBMまたはYandexのCatBoostを習得しました。テレビの視聴回数を予測するタスクには、時系列の使用も適していますが、そのような方法が常にうまく機能するとは限りません。予期しないイベントが定期的に発生し、時間内に対応または予測する必要があります。場合によっては、数日から数か月の大きな異常期間があります。たとえば、2018FIFAワールドカップはビューに大きな影響を与えました。検疫も異常な時期になりました。人々は家でより多くの時間を過ごし、より多くのテレビを見るようになりました。これも考慮に入れる必要があります。一般に、この期間は、モデルが正しく機能するようにモデルを常に監視および制御する必要があるため、機械学習とAIにとって一種の課題です。異常な期間に加えて、予測は休日、気象条件、特定のプログラムやチャネルの見方の傾向の変化の影響を受けます。その結果、考えられるすべてのオプションを考慮に入れるか、異常や逸脱を考慮に入れるか、予測する必要があるため、モデルは非常に複雑であることがわかります。これも考慮に入れる必要があります。一般に、この期間は、モデルが正しく機能するようにモデルを常に監視および制御する必要があるため、機械学習とAIにとって一種の課題です。異常な期間に加えて、予測は休日、気象条件、特定のプログラムやチャネルの見方の傾向の変化の影響を受けます。その結果、考えられるすべてのオプションを考慮に入れたり、異常や逸脱を考慮に入れたり、予測したりする必要があるため、モデルは非常に複雑であることがわかります。これも考慮に入れる必要があります。一般に、この期間は、モデルが正しく機能するようにモデルを常に監視および制御する必要があるため、機械学習とAIにとって一種の課題です。異常な期間に加えて、予測は休日、気象条件、特定のプログラムやチャネルの見方の傾向の変化の影響を受けます。その結果、考えられるすべてのオプションを考慮に入れるか、異常や逸脱を考慮に入れるか、予測する必要があるため、モデルは非常に複雑であることがわかります。特定のプログラムやチャネルの見方の傾向の変化。その結果、考えられるすべてのオプションを考慮に入れるか、異常や逸脱を考慮に入れるか、予測する必要があるため、モデルは非常に複雑であることがわかります。特定のプログラムやチャネルの見方の傾向の変化。その結果、考えられるすべてのオプションを考慮に入れたり、異常や逸脱を考慮に入れたり、予測したりする必要があるため、モデルは非常に複雑であることがわかります。

当然、モデルはそれ自体に任されていません-テスト、微調整、監視は常に進行中です。ただし、重要なのはモデルだけではありません。もう1つの重要なステップは、機能の作成です。まず、これらはショーの時間に関連する兆候です：時間帯、曜日、季節など。次に、コンテンツ関連の属性があります。同時に、番組が夜に放送される場合、どんなに面白いコンテンツであっても、プライムタイムよりも多くの視聴回数がないことを理解する必要があります。機能の重要性はさまざまですが、オーディエンスごとに異なるコンテンツを選択します。それは性別、年齢、社会的地位に依存するかもしれません。

データを操作する上で最も時間のかかる段階の1つは、機能エンジニアリング、つまり機能の処理または作成です。データサイエンスのこの部分には多くの経験が必要です。既知のレシピがないか、単純すぎるため、その場で機能を準備する方法を考え出す必要があります。

データに好奇心がある場合があります。たとえば、視聴者が夕方にテレビの電源を入れて眠りに落ちたとします。彼は一晩中番組を見ているようだった。これはデータのノイズの一例です。データは正確であるように見えますが、そうではないようです。難しいとはいえ、推測することを学ぶ必要があります。さらに、通常、夜間に表示される広告はほとんどありません。

モデルを作成するときは、モデルを機能させるだけでなく、テストと監視も提供する必要があります。このために、メトリックが必要です。回帰の問題があるため、たとえば、メトリックのセットは分類のセットとは異なります。これらは、ルート平均二乗誤差と決定係数です。これらはすべて非常に重要です。特定のビジネス上の問題を解決するために自分で作成する必要のあるメトリックもあります。たとえば、広告キャンペーンのコストを最適化する問題などです。この場合、TVの評価だけでなく、広告キャンペーンの報道も予測する必要があります。私たちは機械学習だけでなく、複雑な統計的および経済的手法にも取り組んでいます。これは、機械学習の知識が十分でない場合です。計算、線形代数、数学的最適化の方法が必要です。一般的な機械学習タスク（回帰、分類、クラスタリング）とは異なり、ここでは独自の方法を考え出す必要があり、プログラミングだけでは十分ではありません。

高等経済学部のプログラムであるデータ駆動型通信について言及したいと思います。私は途中でこのプログラムで学生を助けなければなりませんでした、彼らはマーケティングと機械学習に関連した主題に従事しています。実際、マーケターにとっての機械学習とデータサイエンスとは何ですか？以前は、この分野の専門家が複雑なモデルをプログラムして作成することは期待されていませんでしたが、現在は労働市場で有利になるスキルです。専門家が彼の職業に加えてデータサイエンスを習得している場合、彼は転職してデータサイエンティストになるか、または彼の主題分野で発展し続ける機会を得るが、大きな競争上の利点がある。機械学習の専門家はより正確な予測を行うことができますが、多くの学習が必要になります。

MIPT / Yandex Data Scienceコースに注意を払う価値はありますか、それともUdacityに目を向ける価値がありますか？

私が理解しているように、あなたはCourseraのMIPT / Yandexからのコースを意味します。Udacityはスタンドアロンの学習プラットフォームです。コースのかなりの部分がAIとデータサイエンスを対象としていますが、データサイエンスだけではありません。1つのリソースにこだわるのではなく、いくつかのコースを試すことをお勧めします。コースは100％一致しているわけではなく、今まで知らなかった新しいものをいつでも見つけることができます。また、新しいコースは繰り返し使用できます。たとえば、AI、データエンジニアリング、ビッグデータ分析の各部門のGeekBrainsに関するコースです。私は彼らの学部長兼教師なので、彼らについてもっとお話しすることができます。

コースは学部にまとめられます。たとえば、人工知能学部には17のコースと、さらに8つのコースがあります。ほぼすべてのコースで、最終プロジェクトとして実践的な作業が行われます。したがって、それを学ぶ専門家は練習をします。理論を勉強するだけでなく、プロジェクトを行うことをお勧めします。優れた実践的なスキルは、面接やキャリアの開始に近づくでしょう。

私自身も少し前にUdacityで勉強しました。ロボット車両のコースを非常に長く受講しました。9か月の予定でしたが、コースは約1年続きました。私は本当にたくさんのことを学びました、プラットフォームからの印象はポジティブです。しかし、もちろん、そこにあるすべてのコースは英語で教えられています。

時系列の異常をどのように考慮し、それらを切り取ることができますか？

不快なプロセス。このための既製のレシピはありません-膨大な数のテストが必要です。より正確には、既製のモデルがありますが、それらは過去の異常を検出するためだけに設計されており、検出するだけでなく、予測する必要もあります。

そのような場合、さまざまな開発がありますが、自分で作成する必要があります。最も重要なことは、将来何が起こるかを決定することです。たとえば、特定のチャネルやプログラムでのテレビ視聴の増加です。時間の経過とともに、このデータはトレーニングデータに戻り、正しい方法で処理する必要があります。

将来的に異常がない場合でも、過去の異常が予後に影響を与える可能性があります。ここには多くの方法があります。最も簡単なのは異常なデータを削除することですが、異常なデータが多いと、時系列の全期間が考慮から失われる可能性があるため、この方法が常に適しているとは限りません。

証明された経験なしで仕事を得る方法は？

良い経験はあなたのプロジェクトです。つまり、理論を教えるだけでなく、すぐにプロジェクトを実行する場合、できればメンター（データサイエンスとAIの経験を持つ人）の指導の下で、自分が何をしているのかがわかります。あなたは理論を適用する方法、またはインターネット上にあるデータにモデルを適用する方法を知っているだけでなく、実際的な問題を解決する方法も知っています。そのようなプロジェクトに取り組むとき、あなたは本やコースからは得られない知識を得るでしょう、そしてメンターの助けはここでかけがえのないものです。

本について話しましょう-私は小さなスタックを用意しました。

データサイエンスで作業している場合は、おそらくLinux環境で作業する必要があります。同時に、あなたは管理者ではありません-つまり、あまり深い知識は必要ありません-しかし、単純な管理タスク（スクリプトの起動の計画またはOSリソースの廃棄）のためのこのプラットフォームの自信のある知識が必要です。ここで、ScottGrannemanによる本「LINUX-PocketGuide」が役立ちます。数日で勉強できます。

確率の理論については、GGBitnerの「TheoryofProbabilities」という本をお勧めします。理論と問題の両方が含まれています。確率論は、インタビューと仕事の両方に役立ちます。

ITで働く人は誰でも、最低限の知識とスキルが必要です。したがって、「コンピューターサイエンスの理論的最小値-プログラマーと開発者が知る必要のあるすべて」（PhiloVladston Ferreira）は、コンピューターサイエンスの教育プログラムです。

プログラミングと低レベルの開発に飛び込む場合は、アルゴリズムが必要になります。 PanosLuridasによる「AlgorithmsforBeginners-Theory and Practice for a Developer」という本では、特定の言語を参照せずにアルゴリズムが示されています。 C ++に関するより長い本があります-RobertSedgwickによる「AlgorithmsinC ++」。 Pythonが持つ高レベルの操作の一部を削除し、アルゴリズムを最初から作成する場合に役立ちます。

データサイエンティストのトップレベルの仕事の概要を知りたい場合は、KirillEremenkoによる「あらゆる分野のデータを扱う-分析を使用して新しいレベルに到達する方法」という本が適しています。ここにはプログラミングはありません。ただし、すでに専門家である場合は、まだデータを操作していない場合にのみ役立ちます。

次へ：「データサイエンス。 JoelGrasseによるScratchのDataScienceも便利な本です。同じ出版物から-「データサイエンスの専門家のための実用的な統計。 PeterBruceとAndrewBruceによる「50EssentialConcepts」。ここで統計を調べることもできます。

Pythonでデータを操作し、Pandasライブラリを使用する場合は、Pandasライブラリ自体の作成者であるWesMcKinneyによる「Pythonとデータ分析」が必ず必要です。

機械学習については、PeterFlachとPythonによる機械学習とSebastianRaskaによる機械学習の2冊をお勧めします。

深層学習については、FrançoisScholletによる「Pythonでの深層学習」という本があります。ここでは、NLPとコンピュータービジョンの問題についてニューラルネットワークを研究できます。特にNLPには、Benjamin Bengford、Rebecca Belbrough、TonyOjedaによる「Pythonでのテキストデータの応用分析」があります。

深い学習のためにTensorFlowを学びたい場合は、BharatRamsundarとRezaBosagZadeによる同じ名前の本があります。

ニューラルネットワークの原理を簡単かつ明確に説明している本、AndrewTraskによる本「GrockDeepLearning」もあります。「GrockAlgorithms」もあります-それはインタビューや実際に役立つことができるアルゴリズムをよく説明しています。

インタビューで何を聞きますか？

質問の小さなコレクションがあります。古典的な機械学習についての質問があります-データサイエンスとAIの分野で仕事を得るスペシャリストは、古典的な機械学習モデルがどのように機能するかを知っている必要があります：線形、ロジスティック回帰、勾配降下、L1-L2正規化。意思決定ツリーの操作の原則、分類および回帰問題の情報コンテンツの基準について話す必要があります。人がランダムな森、勾配ブーストがどのように機能するかを知っているように。勾配ブーストモデル（Catboost、LightGBM、XGBoost）の違い、つまり、これらのライブラリの違い、勾配ブーストの実装方法を知っていると非常に便利です。また、機械学習ライブラリ（Pandas、NumPy、SKLearn）を所有する人も必要です。スペシャリストがニューラルネットワーク、コンピュータービジョン、NLPを使用する必要がある場合は、次に、これらのトピックに関する質問があります。

多くの質問があります。人がうまく答えた場合、彼のプロジェクトのいくつかについて彼に尋ねることは興味深いです-人が何かをした場合、インタビュー対象者はすぐにプロジェクトに特に関連する多くの質問をします。 GitHubでの個人的なプロジェクト、またはコースからの教育プロジェクトがある場合は、使用したテクノロジーとアルゴリズムについて詳細に説明できれば非常に役立ちます。

さらに、インタビュー中に、さまざまな基本的な質問をすることができます。通常、人がそれらにうまく答えるならば、彼はおそらく良い専門家です。もちろん、彼がテストタスクを完了できることが重要です。理論は1つのことですが、実際の問題をどのように解決し、プログラムし、どのコードを作成するかも重要です。人が理論全体を知っているが、必要なときにOPが使用されないコードを送信した場合、その人は理論を正しく適用する方法を知りません。また、もちろん、コード自体は読み取り可能でコメント化されている必要があります。

量子コンピューティングについても話したかったのですが、量子機械学習も私の興味のある分野ですが、今日は時間がありません。

インタビューへの招待状を受け取るには、履歴書に何を書く必要がありますか？

再開は決定的な瞬間です。まず、ボリュームを膨らませてはいけません。関連する経験だけを含める必要があります。ITに関係のない専門分野で働いていた場合、これは必要ありません。欠員に関連する、あなたの業績、プロジェクト、受講したコースを簡単にリストしてください。その仕事をすることができるスペシャリストとしてあなたを示しているものを書いてください。そしてもちろん、要約は読みやすくなければなりません。

AIキャリアへの究極のガイド：メジャーを選択し、レベルアップし、クールな仕事を見つける方法