معرفی
مهندس یادگیری ماشین فقط مدل آموزش نمیدهد، بلکه باید بتواند مدل را به بخشی قابلاعتماد از یک محصول یا سامانه تبدیل کند. این نقشه راه ۸ گام دارد و از برنامهنویسی و تحلیل داده آغاز میشود و به مدلسازی، مهندسی پروژه، ارائه مدل به شکل سرویس و عملیات یادگیری ماشین (MLOps) میرسد.
اگر از قبل با Python، آمار یا توسعه نرمافزار آشنا باشید، بعضی گامها برای شما کوتاهتر خواهند بود. مدت طیکردن مسیر ثابت نیست و به پیشزمینه، کیفیت تمرین، پیچیدگی پروژهها و میزان بازخورد بستگی دارد. بخش مهمی از مسیر باید به تمرین، خطایابی داده و تکمیل پروژههای قابلاجرا اختصاص پیدا کند، نه فقط دیدن آموزش.
منطق مسیر این است که ابتدا کدی مینویسید که داده را درست دریافت و بررسی کند. سپس یاد میگیرید مدل را با معیار مناسب ارزیابی کنید. در ادامه، مدل را به API و یک سرویس کانتینری قابلاجرا تبدیل میکنید و در پایان، تغییرات داده، کیفیت مدل و عملکرد سرویس را پایش میکنید.
یادگیری عمیق و تخصصهایی مانند بینایی ماشین یا پردازش زبان طبیعی پس از ساختن این هسته مشترک معنا پیدا میکنند.
برای شناخت دقیقتر وظایف، سطح انتظار بازار و تفاوت این نقش با نقشهای نزدیک، صفحه شغلی مهندس یادگیری ماشین را ببینید.
مخاطبان نقشه راه
این مسیر برای افرادی مناسب است که میخواهند از برنامهنویسی یا تحلیل داده به مهندسی یادگیری ماشین برسند. مسیر از مبانی برنامهنویسی شروع میشود و برای دانشجویان، توسعهدهندگان جونیور و تحلیلگرانی مناسب است که میخواهند مدلهای یادگیری ماشین را به سرویسهای قابل اجرا تبدیل کنند.
دستاورد پایانی
در پایان مسیر میتوانید یک مسئله دادهمحور را صورتبندی کنید، داده را با Python و SQL آماده کنید، مدلهای کلاسیک و یک مدل عمیق ساده را ارزیابی کنید و آزمایشها را بازتولیدپذیر نگه دارید. همچنین میتوانید یک مدل را در قالب API کانتینری اجرا و پایش اولیه کنید، تصمیمهای فنی و محدودیتهای مدل را مستند کنید و نتیجه را برای همکاران غیرفنی توضیح دهید. این تواناییها برای انجام بخشی از وظایف سطح جونیور با راهنمایی تیم پایه مناسبی فراهم میکنند.
پیشنیازها
موارد زیر پایههای لازم برای شروع را نشان میدهند.
- توانایی کار روزمره با رایانه و نصب ابزارهای توسعه
- آشنایی مقدماتی با فایلها، پوشهها و خط فرمان
- انگلیسی فنی در حد خواندن مستندات و پیامهای خطا
مسیر یادگیری شغل مهندس یادگیری ماشین
-
۸۰ ساعت
ساخت پایه برنامهنویسی و کار تیمی با کد
هدف گام: نوشتن برنامههای Python قابلخواندن و مدیریت تغییرات آنها در یک مخزن Git.
یادگیری را با Python شروع کنید، زیرا بخش بزرگی از ابزارهای مدلسازی و آمادهسازی داده در این اکوسیستم در دسترس هستند. روی نوع دادهها، تابع، ماژول، خطاگیری، خواندن فایل، محیط مجازی و ساختاردهی پروژه تمرکز کنید. همزمان Git را برای ثبت تغییرات، ساخت شاخه و حل تعارضهای ساده به کار ببرید.
هدف این گام حفظکردن دستورهای کتابخانهها نیست. باید بتوانید کدی بنویسید که فرد دیگری بتواند آن را اجرا و بررسی کند. نامگذاری روشن، تابعهای کوچک، فایل وابستگیها و توضیح کوتاه برای اجرای پروژه از همین مرحله اهمیت دارند.
مهارتها
ابزارها
مفاهیم تکمیلی
ساختار دادهها و کنترل جریانتابعنویسی و ماژولبندیمدیریت وابستگیها و محیط مجازیخواندن و نوشتن فایلهای CSV و JSONخواندن پیام خطا و اشکالزداییثبت تغییرات و کار با شاخههاپروژه پیشنهادی: : یک برنامه خط فرمان بسازید که یک فایل CSV را بخواند، خطاهای ساده داده را گزارش کند و خلاصهای از ستونهای عددی و متنی تولید کند. پروژه باید راهنمای اجرا، فایل وابستگیها و تاریخچه منظم Git داشته باشد.
معیار پایان گام: میتوانید یک مخزن Git بسازید، محیط Python را راهاندازی کنید، داده را از فایل بخوانید، خطاهای رایج را رفع کنید و پروژه را طبق راهنمای خودتان روی محیطی تازه اجرا کنید.
-
۷۵ ساعت
یادگیری ریاضیات، آمار و SQL در حد تصمیمگیری مدل
هدف گام: فهم مفاهیمی که برای تفسیر داده، انتخاب معیار و ارزیابی مدل لازماند.
ریاضیات را جدا از مسئله واقعی یاد نگیرید. جبر خطی را با بردارها، ماتریسها و ضرب ماتریسی، احتمال را با توزیعها، احتمال شرطی و نمونهگیری و آمار را با میانگین، واریانس، بازه اطمینان و آزمون فرض تمرین کنید. هدف، درک رفتار داده و مدل است، نه اثبات همه قضیهها.
SQL را نیز در کنار آمار یاد بگیرید. در کار واقعی، بسیاری از دادهها از پایگاه داده میآیند و اشتباه در JOIN، فیلتر زمانی یا تجمیع میتواند نتیجه تحلیل یا مدل را بیاعتبار کند. بهویژه تفاوت میان دادههای در دسترس هنگام آموزش مدل و اطلاعاتی که هنگام پیشبینی در دسترس هستند را جدی بگیرید.
مهارتها
ابزارها
مفاهیم تکمیلی
بردارها، ماتریسها و ضرب ماتریسیمشتق و مفهوم بهینهسازیاحتمال شرطی و نمونهگیریمیانگین، واریانس و توزیع دادههمبستگی و تفاوت آن با علیتانتخاب، فیلتر و تجمیع داده با SQLاتصال جدولها و کنترل تکراریشدن رکوردهانشتی داده در فیلترهای زمانیپروژه پیشنهادی: برای یک مجموعهداده فروش فرضی در PostgreSQL جدول بسازید و با SQL شاخصهای ماهانه، مشتریان فعال و نرخ بازگشت را محاسبه کنید. سپس در یک نوتبوک، دو برداشت نادرست احتمالی از میانگین یا همبستگی داده را توضیح دهید.
معیار پایان گام: میتوانید با SQL داده موردنیاز مدل را استخراج کنید، اثر یک JOIN نادرست را تشخیص دهید و برای یک مسئله ساده توضیح دهید که چرا میانگین یا دقت بهتنهایی برای ارزیابی نتیجه کافی نیست.
-
۶۵ ساعت
کاوش، پاکسازی و آمادهسازی داده
هدف گام: تبدیل داده خام به دادهای قابلاعتماد برای آموزش و ارزیابی مدل.
پیش از انتخاب الگوریتم، داده را بشناسید. هر ردیف چه چیزی را نشان میدهد، برچسب چگونه تولید شده است، مقادیر گمشده چه معنایی دارند و داده در چه بازه زمانی جمعآوری شده است. با نمودار و آمار توصیفی، توزیع متغیرها، دادههای پرت، کلاسهای نامتوازن و تغییرات زمانی را بررسی کنید.
دادهای که برای ارزیابی نهایی استفاده میشود، باید پیش از برازش تبدیلهای وابسته به داده کنار گذاشته شود. مراحلی مانند محاسبه مقدار جایگزین برای دادههای گمشده، مقیاسبندی یا برخی روشهای انتخاب ویژگی باید روی داده آموزشی برازش شوند و سپس همان تبدیل روی داده ارزیابی اعمال شود.
برای دادههای زمانی نیز تقسیم تصادفی همیشه مناسب نیست و باید ترتیب زمانی و اطلاعاتی را که در لحظه پیشبینی در دسترس بودهاند در نظر بگیرید.
مهارتها
ابزارها
مفاهیم تکمیلی
شناخت واحد مشاهده و تعریف برچسبآمار توصیفی و توزیع متغیرهامدیریت مقدارهای گمشده و داده پرتکدگذاری متغیرهای دستهایتقسیم آموزش، اعتبارسنجی و آزمونکنترل نشتی دادهنامتوازنبودن کلاسهاویژگیسازی اولیه و مستندسازی فرضهاپروژه پیشنهادی: یک مجموعهداده جدولی عمومی را تحلیل کنید، یک فرهنگ داده کوتاه بنویسید، کیفیت ستونها را بررسی کنید و یک خط لوله آمادهسازی بسازید که دادههای آموزش و آزمون را بدون نشتی تولید کند.
معیار پایان گام: بتوانید دلیل حذف، اصلاح یا نگهداشتن ستونهای مهم را توضیح دهید، روش تقسیم داده را متناسب با مسئله انتخاب کنید و فرایند آمادهسازی را با اجرای دوباره همان کد تکرار کنید.
-
۹۰ ساعت
مدلسازی کلاسیک و ارزیابی قابلاعتماد
هدف گام: ساخت خط پایه، مقایسه مدلها و انتخاب مدل بر اساس معیار مرتبط با مسئله.
مدلسازی را با یک خط پایه ساده آغاز کنید، مانند پیشبینی کلاس پرتکرار، میانگین یا یک مدل خطی. سپس مدلهای درختی و روشهای دیگر را مقایسه کنید. مدل پیچیدهتر زمانی ارزش دارد که نسبت به خط پایه بهبود قابلدفاعی ایجاد کند و هزینه عملیاتی آن برای مسئله قابلقبول باشد.
برای طبقهبندی، تفاوت precision، recall، F1 و ROC-AUC را با توجه به هزینه خطاها درک کنید. برای رگرسیون، خطا را در مقیاس مسئله تفسیر کنید. داده آزمون نهایی را برای ارزیابی نهایی کنار بگذارید و تنظیمات و نتایج هر آزمایش را ثبت کنید.
مهارتها
ابزارها
مفاهیم تکمیلی
خط پایه و مقایسه منصفانه مدلهارگرسیون و طبقهبندیاعتبارسنجی متقاطعتنظیم ابرپارامترهاماتریس درهمریختگی و آستانه تصمیممعیارهای ارزیابی برای کلاس نامتوازنتحلیل خطا و نمونههای شکست مدلتفسیر محدودیتهای مدلپروژه پیشنهادی: برای مسئله پیشبینی ریزش مشتری یا تشخیص تراکنش مشکوک، یک خط پایه و دستکم دو مدل دیگر بسازید. معیار اصلی را با توجه به هزینه خطا انتخاب کنید و نمونههای شکست مدل را بررسی کنید.
معیار پایان گام: میتوانید مدل پایه را با مدلهای دیگر مقایسه کنید، معیار ارزیابی را به نیاز مسئله مرتبط کنید، از استفاده زودهنگام از داده آزمون جلوگیری کنید و نتیجه را با نمودار و توضیح روشن گزارش دهید.
-
۶۵ ساعت
مهندسی پروژه و آزمایشهای بازتولیدپذیر
هدف گام: خارجکردن مدل از نوتبوک و تبدیل آن به پروژهای قابلاجرا، قابلآزمون و قابلردیابی.
هدف این گام، خارجکردن مدل از نوتبوک و تبدیل آن به پروژهای قابل اجرا، آزمون و ردیابی است.
نوتبوک برای بررسی اولیه مفید است، اما بهتنهایی ساختار مناسبی برای یک پروژه قابل نگهداری نیست. منطق آمادهسازی داده، آموزش، ارزیابی و پیشبینی را به بخشهای مشخص منتقل کنید. تنظیمات را از منطق اصلی کد جدا نگه دارید و برای بخشهای حساس، مانند تبدیل داده و بارگذاری مدل، آزمون بنویسید.
با MLflow میتوانید پارامترها، معیارها و خروجی آزمایشها را ثبت کنید. برای بازتولید بهتر، نسخه یا شناسه داده، نسخه کد و مدل استفادهشده در هر اجرا را نیز ثبت کنید. هدف این است که مشخص باشد چه داده، کد و تنظیماتی به یک نتیجه مشخص منجر شدهاند.
در این مرحله نیازی به ساخت زیرساخت پیچیده نیست. مهندسی پروژه در این گام بیشتر به معنای سازماندهی کد، آزمایشها و اطلاعات اجرای مدل برای بهبود تکرارپذیری و قابلیت بررسی است، نه ساخت یک زیرساخت سازمانی بزرگ.
مهارتها
ابزارها
مفاهیم تکمیلی
جداسازی آموزش، ارزیابی و پیشبینیمدیریت تنظیمات و پارامترهاثبت نسخه داده و مدلثبت معیارها و خروجی آزمایشتست واحد برای تبدیل دادهبازبینی کد و مستندسازی اجرای پروژهکنترل تصادفیبودن آزمایشهاپروژه پیشنهادی: پروژه گام قبل را از نوتبوک به یک مخزن ساختیافته منتقل کنید. اجرای آموزش و ارزیابی را با یک فرمان مشخص انجام دهید، آزمایشها را در MLflow ثبت کنید و برای تبدیل داده دستکم چند آزمون بنویسید.
معیار پایان گام: میتوانید با یک راهنمای کوتاه پروژه را در محیطی تازه اجرا کنید، اطلاعات لازم برای بازسازی یک اجرای قبلی را پیدا کنید و مشخص کنید هر نتیجه با چه داده و مدلی به دست آمده است.
-
۷۰ ساعت
استقرار مدل به شکل سرویس
هدف گام: ارائه پیشبینی مدل از طریق API با قرارداد ورودی و خروجی روشن.
مدل آموزشدیده باید در زمان پیشبینی همان فرایند آمادهسازی داده مورد استفاده در زمان آموزش را روی ورودی اعمال کند. یک API ساده طراحی کنید که ورودی را اعتبارسنجی کند، مدل و اجزای لازم را بارگذاری کند و خروجی قابلفهم برگرداند. پاسخ خطا، نسخه مدل و محدودیتهای ورودی را نیز در صورت نیاز مشخص کنید.
سرویس را با Docker کانتینریسازی کنید تا اجرای آن کمتر به تنظیمات رایانه شخصی وابسته باشد. در همکاری با بکاند، قرارداد API، زمان پاسخ و رفتار سرویس هنگام دریافت داده ناقص اهمیت دارند.
هدف این گام ساخت زیرساخت بزرگ یا استقرار کامل در محیط عملیاتی نیست. هدف، تحویل یک سرویس کوچک، کانتینری، قابل اجرا و قابل آزمون است.
مهارتها
ابزارها
مفاهیم تکمیلی
قرارداد ورودی و خروجی APIاعتبارسنجی داده ورودیبارگذاری مدل و پیشپردازش یکسانمدیریت خطا و پاسخهای نامعتبرساخت تصویر کانتینریآزمون درخواستهای APIسنجش اولیه زمان پاسخپروژه پیشنهادی: مدل جدولی پروژه قبلی را با FastAPI به یک سرویس پیشبینی تبدیل کنید. سرویس را با Docker اجرا کنید، درخواستهای معتبر و نامعتبر را آزمایش کنید و در راهنما، نمونه ورودی، خروجی و روش اجرای سرویس را بنویسید.
معیار پایان گام: میتوانید سرویس را با Docker اجرا کنید، قرارداد API را توضیح دهید، ورودی نامعتبر را کنترل کنید و نشان دهید پیشپردازش در زمان پیشبینی با منطق استفادهشده در زمان آموزش سازگار است.
-
۶۰ ساعت
پایش مدل و چرخه عملیات یادگیری ماشین
هدف گام: شناخت آنچه پس از انتشار مدل باید اندازهگیری، ثبت و بازبینی شود.
کیفیت آفلاین مدل تضمین نمیکند که عملکرد آن پس از ورود دادههای جدید ثابت بماند. ابتدا خطاهای سرویس، زمان پاسخ، حجم درخواست و نسخه مدل را ثبت کنید. سپس تغییر توزیع دادههای ورودی و در صورت وجود برچسب واقعی، تغییر کیفیت پیشبینی را بررسی کنید.
برای بازآموزی، یک قاعده روشن تعریف کنید. مشخص کنید چه زمانی فقط داده را بررسی میکنید، چه زمانی مدل جدید میسازید و چگونه آن را با مدل فعلی مقایسه میکنید. داده یا برچسب جدید نیز نباید بدون کنترل کیفیت وارد فرایند آموزش شود.
مهارتها
ابزارها
مفاهیم تکمیلی
تفاوت پایش سرویس و پایش کیفیت مدلثبت نسخه مدل در زمان پیشبینیزمان پاسخ، خطا و نرخ درخواستتغییر توزیع داده ورودیافت عملکرد مدل و تأخیر برچسبآستانه هشدار و بازبینی انسانیچرخه بازآموزی و مقایسه نسخههاپروژه پیشنهادی: برای API پروژه خود، زمان پاسخ، تعداد خطاها و نسخه مدل را ثبت کنید. یک سناریوی تغییر توزیع داده را شبیهسازی کنید، اثر آن را گزارش دهید و شرایط پیشنهادی خود برای بازبینی یا بازآموزی مدل را مشخص کنید.
معیار پایان گام: میتوانید تفاوت خطای سرویس، تغییر توزیع داده و افت کیفیت مدل را توضیح دهید، برای هرکدام شاخص مناسب پیشنهاد کنید و نسخه جدید مدل را پیش از جایگزینی با نسخه فعلی مقایسه کنید.
-
۱۰۰ ساعت
یادگیری عمیق و انتخاب مسیر تخصصی
هدف گام: ساخت یک مدل عمیق ساده و تشخیص زمان مناسب برای رفتن به تخصص بینایی ماشین یا پردازش زبان طبیعی.
پس از تسلط نسبی بر مدلهای کلاسیک و استقرار، مبانی یادگیری عمیق (Deep Learning) را بیاموزید: تنسور، شبکه عصبی، تابع زیان، پسانتشار، بهینهساز، بیشبرازش و منظمسازی. با PyTorch یک مدل کوچک آموزش دهید و روند آموزش و اعتبارسنجی را تحلیل کنید.
برای دادههای جدولی، مدلهای کلاسیک اغلب نقطه شروع معقولتری هستند. یادگیری عمیق معمولاً برای تصویر، متن، صوت یا الگوهای پیچیدهتر اهمیت بیشتری پیدا میکند. اگر هدف شما بینایی ماشین است، مسیر تخصصی مهندس بینایی ماشین را ادامه دهید؛ اگر هدف شما متن و زبان است، مسیر مهندس پردازش زبان طبیعی مناسبتر است. ساخت محصول بر پایه مدلهای زبانی بزرگ نیز در مسیر مهندس هوش مصنوعی پوشش عمیقتری دارد.
مهارتها
ابزارها
مفاهیم تکمیلی
تنسور و محاسبه گرادیانشبکه عصبی و تابع فعالسازیتابع زیان و بهینهسازچرخه آموزش و اعتبارسنجیبیشبرازش و منظمسازیتحلیل منحنی یادگیریانتخاب مدل کلاسیک یا عمیقمحدودیت حافظه و زمان آموزشپروژه پیشنهادی: یک مسئله ساده طبقهبندی تصویر یا متن را با PyTorch پیادهسازی کنید. یک مدل پایه سادهتر نیز داشته باشید، منحنیهای آموزش و اعتبارسنجی را گزارش کنید و توضیح دهید چرا مدل عمیق برای این مسئله مناسب است یا نیست.
معیار پایان گام: میتوانید چرخه آموزش یک شبکه عصبی را اجرا و تحلیل کنید، نشانههای بیشبرازش را تشخیص دهید و انتخاب میان مدل کلاسیک و عمیق را با نوع داده، معیار و هزینه توضیح دهید.
زمان تقریبی یادگیری
برآورد مجموع زمان آموزش، مطالعه و تمرین تا رسیدن به سطح کاربردی؛ بسته به پیشزمینه شما میتواند کمتر یا بیشتر باشد.
ابزارهای مسیر
در ادامه، مهمترین موارد این بخش به تفکیک معرفی شدهاند.
خطاهای رایج مسیر
برای آشنایی بهتر با این مسیر، توجه به موارد زیر میتواند مفید باشد.
-
شروع با مدل پیچیده پیش از ساخت خط پایه
ابتدا یک پیشبینی ساده یا مدل پایه بسازید و معیار ارزیابی را مشخص کنید. زمانی سراغ مدل پیچیدهتر بروید که بتوانید بهبود آن را با ارزیابی مناسب نشان دهید.
-
نشتی داده میان آموزش و ارزیابی
داده ارزیابی را پیش از برازش تبدیلهای وابسته به داده کنار بگذارید. مراحل پیشپردازش را با داده آموزشی برازش دهید و در دادههای زمانی، اطلاعات آینده را وارد آموزش نکنید. همچنین بررسی کنید هر ویژگی در زمان پیشبینی واقعا در دسترس باشد.
-
ارزیابی مدل فقط با یک معیار
معیار ارزیابی را بر اساس مسئله و هزینه خطا انتخاب کنید. در مسائل طبقهبندی نامتوازن، precision، recall، ماتریس درهمریختگی و آستانه تصمیم را متناسب با نیاز محصول بررسی کنید.
-
ماندن پروژه در نوتبوک
پس از آزمایش اولیه، منطق آموزش و پیشبینی را به بخشهای مشخص پروژه منتقل کنید. راهنمای اجرا، وابستگیها، تستهای پایه و ثبت آزمایشها را نیز اضافه کنید.
-
فرض اینکه مدل پس از انتشار ثابت میماند
از ابتدا شاخصهای سرویس، نسخه مدل و تغییرات مهم توزیع داده را ثبت کنید. برای بررسی افت کیفیت و تصمیمگیری درباره بازآموزی نیز قاعده مشخصی داشته باشید.
-
استفاده بیدلیل از یادگیری عمیق
نوع و حجم داده، زمان پاسخ، هزینه آموزش و عملکرد خط پایه را مقایسه کنید. مدل عمیق صرفا به دلیل پیچیدهتر بودن، انتخاب بهتری نیست.
-
نادیدهگرفتن کیفیت و محرمانگی داده
منشأ داده، تعریف برچسب، سطح دسترسی و دادههای حساس را مستند کنید. داده واقعی را بدون مجوز در مخزن عمومی، محیط آزمایشی یا سرویس خارجی قرار ندهید.
چکلیست آمادگی شغلی
چکلیست زیر کمک میکند هیچ نکته مهمی را از قلم نیندازید:
- میتوانم یک مسئله محصول را به هدف پیشبینی یا طبقهبندی و معیار ارزیابی تبدیل کنم.
- میتوانم داده را با Python و SQL استخراج، بررسی و بدون نشتی برای مدل آماده کنم.
- میتوانم خط پایه، مدلهای جایگزین و دلیل انتخاب معیار ارزیابی را توضیح دهم.
- میتوانم اطلاعات آزمایشها، پارامترها، داده و مدل را ثبت و پیگیری کنم.
- میتوانم یک مدل را با FastAPI در قالب API قابل آزمون ارائه کنم.
- میتوانم سرویس مدل را با Docker اجرا و خطاهای ورودی و خروجی را مدیریت کنم.
- میتوانم شاخصهای پایش سرویس، تغییر داده و افت کیفیت مدل را از هم تفکیک کنم.
- میتوانم یک پروژه یادگیری ماشین را با راهنمای اجرا، محدودیتها و نتایج قابلبررسی مستند کنم.
- میتوانم توضیح دهم چه زمانی مدل کلاسیک یا عمیق برای یک مسئله مناسبتر است.
- میتوانم تصمیمهای فنی، فرضهای داده و محدودیتهای مدل را در یک سند کوتاه و قابل پیگیری ثبت کنم.
- میتوانم بازخورد مشخص بازبینی کد را دریافت کنم، تغییر لازم را اعمال کنم و دلیل تغییر را در درخواست ادغام توضیح دهم.
- میتوانم بازخورد بازبینی کد را دریافت کنم، تغییرات لازم را اعمال کنم و دلیل تغییرات را در درخواست ادغام توضیح دهم.
پرسشهای پرتکرار
در این بخش، به تعدادی از پرسشهای رایج درباره این مسیر پاسخ داده شده است.
آیا میتوانم یادگیری ماشین را بدون پیشزمینه Python شروع کنم؟
بله، اما گام نخست این مسیر را حذف نکنید. پیش از مدلسازی باید بتوانید فایل بخوانید، تابع بنویسید، خطا را پیدا کنید و پروژه را اجرا کنید. بدون این پایه، کار با کتابخانههای یادگیری ماشین دشوارتر خواهد شد.
کل این نقشه راه چقدر زمان میبرد؟
زمان ثابتی برای همه وجود ندارد. اگر Python، Git، ریاضیات، آمار یا SQL را از قبل در حد عملی بدانید، بخشی از مسیر برای شما کوتاهتر خواهد بود. در مقابل، ساخت پروژه، اشکالزدایی، دریافت بازخورد و بازنویسی کد میتوانند بخش بزرگی از زمان یادگیری را تشکیل دهند. بهجای تعداد ساعت، معیارهای پایان هر گام را برای سنجش پیشرفت خود در نظر بگیرید.
آیا باید هم PyTorch و هم TensorFlow را یاد بگیرم؟
برای شروع، تسلط عملی بر یک چارچوب کافی است. در این مسیر PyTorch پیشنهاد شده است، اما اگر تیم یا پروژه هدف شما از TensorFlow استفاده میکند، میتوانید همان مفاهیم را با آن تمرین کنید. مهمتر از تعداد چارچوبها، فهم چرخه آموزش، ارزیابی و استفاده از مدل است.
آیا برای ورود به مهندسی یادگیری ماشین باید بینایی ماشین یا پردازش زبان طبیعی بخوانم؟
خیر. ابتدا هسته مشترک شامل داده، مدلسازی، مهندسی پروژه، ارائه مدل به شکل سرویس و پایش را بسازید. سپس بر اساس نوع مسئلههای هدف، مسیر بینایی ماشین یا پردازش زبان طبیعی را عمیقتر دنبال کنید.
آموزشهای مرتبط در فرادرس
-
آموزش یادگیری ماشین با پایتون، ماشین لرنینگ با Python + گواهینامه
-
آموزش رایگان یادگیری ماشین با پایتون، سریع و آسان در ۱۸۰ دقیقه + گواهینامه
-
آموزش کار با پیش پردازش ها در یادگیری ماشین با پایتون (Python) (رایگان)
-
آموزش ریاضی برای یادگیری ماشین + پیاده سازی در پایتون + گواهینامه
-
آموزش یادگیری ماشین با پایتون، استراتژیهای عیب یابی و بهینه سازی برنامهها
-
آموزش مبانی یادگیری عمیق یا Deep Learning + گواهینامه
-
آموزش یادگیری عمیق با کتابخانه پای تورچ PyTorch در پایتون + گواهینامه
-
آموزش ساخت API با پایتون، راهنمای گام به گام + پیاده سازی به زبان ساده
