https://virgool.ir/feed/@m_62783302fa2026-11-11 23:09:48https://files.virgool.ir/upload/users/1544431/avatar/3Fe1Me.jpeghttps://virgool.ir/@m_62783302https://virgool.ir/@m_62783302/چگونه-می-توان-رزومه-با-تجربه-علم-داده-را-مورد-توجه-استخدام-کنندگان-قرار-داد-bidqgoehl3dgسلام! من نزدیک به 2 سال است که به عنوان یک دانشمند داده کار می کنم و می خواهم به زودی دوباره برای شغل شروع کنم. فقط می خواستم نظر شما را در مورد اینکه چه چیزهای بیشتری باید در رزومه خود اضافه کنم (تحصیلات، تجربه کاری و غیره) در رزومه خود قرار دهم تا شانس فراخوانی توسط استخدام کنندگان را افزایش دهم. منابع زیادی در مورد نحوه گذراندن مصاحبه و نحوه تهیه رزومه برای افراد تازه وارد در این زمینه وجود دارد، اما من اطلاعات زیادی برای دانشمندان داده موجود پیدا نکرده ام. من به چند نکته در زیر رسیدم:مسابقات کگلمن می دانم که شما یک چالش طبقه بندی محصول بسیار موفق را 6 سال پیش انجام دادید و در بین 3 درصد برتر قرار گرفتید، اما این روزها احساس می کنم که به دلیل دکتراها و نابغه های زیاد در آنجا شکستن مسابقات Kaggle بسیار سخت تر است. و من فکر می کنم اگر در چند درصد برتر نیستید، احتمالاً ارزش ذکر کردن در رزومه خود را ندارد؟ مطمئناً داشتن آن خوب است، اما پرهزینه ترین نیست، زیرا بسیار وقت گیر است و کاملاً نماینده چالش های دنیای واقعی نیست.پروژه های جانبی شخصی؟من در واقع دوستی دارم که مغازه‌ای دارد که لوازم خودرو می‌فروشد و تغییرات خودرو را انجام می‌دهد. من هنوز نپرسیده ام، اما فکر می کنم او آماده است تا به من اجازه دهد فروش خود را تجزیه و تحلیل کنم و راه هایی برای بهینه سازی کسب و کارش یا افزایش درآمد بیابم. این یک پروژه بسیار هیجان انگیز به نظر می رسد، زیرا در مقابل پروژه Kaggle، مفاهیم "واقعی" وجود دارد. شاید بتوانم به نحوی یک محصول انتها به انتها برای این کار بسازم، مانند روشی که شما انجام دادید که واقعاً جالب است. نکته منفی (من فکر می کنم) این است که برخی از مردم ممکن است این پروژه را یک پروژه "غیر واقعی" ببینند؟پروژه های مدرسهمن نیز مانند شما OMSCS را انجام می‌دهم و به این فکر می‌کنم که آیا ارزش گنجاندن برخی از پروژه‌های جالب‌تر را در رزومه‌ام دارد، مانند پروژه‌هایی که در Reinforcement Learning وجود دارد. دلیل دیگری برای گنجاندن این موضوع این است که در این برنامه واقعاً دشوار است که زمان خود را به پروژه های جانبی دیگر اختصاص دهید (من مطمئن هستم که می توانید در این مورد شهادت دهید) بنابراین حدس می زنم که به طور ضمنی می گوید: "هی من پروژه های جانبی زیادی ندارم. چون درس می خوانم نه سستی»با DataKind یا چیزی داوطلب شوید، اما شنیده‌ام که این روزها برای پذیرش اعضای جدید بسیار سختگیر هستند (دوست من تلاش کرد و پاسخی دریافت نکرد) بنابراین من به این موضوع خوشبین نیستم.هیچ چیزی؟ تنها با تکیه بر توصیفات دستاوردهای خود در شغل فعلی تان می توانید این کار را انجام دهید.پیشنهادات دیگر؟آیا نظری در این مورد دارید؟ اگر کمک کند. منتظر پاسخ شما هستم. با تشکر!این یک سوال عالی است. من دریافتم که - حداقل در کشورهای مختلف- گرفتن رزومه توسط استخدام کنندگان تا حدودی یک بازی است. درک آنچه آنها به دنبال آن هستند، کلیدی است."چه چیزی را باید در رزومه خود لحاظ کنم تا شانس فراخوانی توسط استخدام کنندگان را افزایش دهم؟"در تجربه من، اکثر استخدام‌کنندگان تمایل دارند اسکنر کلمات کلیدی و ماشین‌حساب‌های تجربه باشند (اگرچه تعدادی خوب وجود دارند که در شناسایی استعدادهای خارج از رزومه عالی هستند). بنابراین، استخدام‌کنندگان معمولی فقط کلمات کلیدی و تجربه شما را با شرح/شرایط شغلی مقایسه می‌کنند تا ببینند که آیا مطابقت دارد یا خیر - به این ترتیب آنها کیفیت نامزد را تعیین می‌کنند.آیا داوطلب 8 مورد از 10 شرط را دارد یا فقط 5/10 را دارد؟ آن‌ها نمی‌خواهند مدیران استخدامی را بیش از حد 5/10 بفرستند. بنابراین، آن‌ها مطمئن بازی می‌کنند و فقط در صورتی که از آستانه خاصی عبور کند (مثلاً 8-9/10) دست به دست می‌شوند و به جلو ادامه می‌دهند.پیشنهاداتی که دارید (به عنوان مثال، Kaggle، پروژه های جانبی، کار داوطلبانه) عالی هستند، اگرچه به تمایل استخدام کننده و مدیر استخدام بستگی دارد. به صنعت/شرکت ها/تیم هایی که می خواهید بپیوندید نگاه کنید—آیا آنها تمایل دارند با رقبای Kaggle پر شوند؟ یا روی پروژه های جانبی زیادی کار می کنند؟ من شخصاً، به عنوان یک مدیر استخدام، نسبت به پروژه های شخصی تعصب دارم، زیرا آنها کنجکاوی، توانایی یادگیری و ظرافت را نشان می دهند. سایر مدیران استخدام ممکن است بر جنبه های دیگر تأکید کنند.به طور خلاصه، برای رزومه شما:خلاصه ای در بالا با 3 نقطه (حداکثر) در مورد اینکه چرا باید شما را استخدام کنند، داشته باشید.سپس، تجربه کاری شما، با نتایج قابل اندازه گیری از محصولات قابل تحویل شما.سپس، آموزش، به نمایش گذاشتن یادگیری مرتبط (به عنوان مثال، کلاس های برگزار شده).در نهایت، پروژه های شما، MOOC ها و غیره.آن را به گونه‌ای بنویسید که اکثر الزامات شغلی استاندارد را برای نقش‌هایی که هدف قرار می‌دهید برآورده کند."وای، این واقعا سخت به نظر می رسد (و تا حدودی تصادفی)."بله همینطور است. بنابراین، به جای اینکه منتظر بمانید تا استخدام‌کنندگان با شما تماس بگیرند، پیشنهاد می‌کنم (i) ارجاع شوید، یا (ب) مستقیماً با مدیر استخدام تماس بگیرید.در اینجا این روند به نظر می رسد:به دنبال نقش هایی باشید که به آنها علاقه دارید.آیا دوستی در شرکت دارید که بتواند شما را معرفی کند؟اگر پاسخ مثبت است، با آدرس اینترنتی پست شغلی با آنها تماس بگیرید و از آنها بخواهید که به شما کمک کنند. از دفعاتی که این کار را امتحان کردم، همیشه اولین مصاحبه را داشتم.اگر نه، سعی کنید به دنبال مدیر استخدام بگردید و مستقیماً تماس بگیرید و توضیح دهید که چگونه مهارت ها و تجربه شما می تواند به نقش و تیم کمک کند.تکرار.اگرچه این کار خسته کننده به نظر می رسد، اما بسیار موثرتر است. به عنوان مثال، درخواست های شغلی معمولاً 5-10٪ نرخ تبدیل برای گرفتن اولین مصاحبه دارند. در مقابل، از نظر تجربه، ارجاعات و ایمیل های سرد بیش از 95٪ است.بهترین ها!hyperparametershyperparametersTue, 03 May 2022 16:07:40 +0430https://virgool.ir/@m_62783302/چرا-و-چگونه-مقالات-را-بخوانیم-oo4pydcujjgbچرا به جای بررسی دستی داده هایمان، کاری را که لینکدین انجام داد را امتحان نکنیم؟ این به آنها کمک کرد تا 95 درصد دقت و 80 درصد به خاطر بیاورند.سپس هم تیمی من نحوه استفاده لینکدین از نزدیکترین همسایگان برای شناسایی برچسب های متناقض (در عنوان شغل) را به اشتراک گذاشت. سپس، لینکدین یک ماشین بردار پشتیبانی (SVM) را بر روی برچسب‌های ثابت آموزش داد. سپس SVM برای به روز رسانی برچسب های ناسازگار استفاده شد. این به آنها کمک کرد تا به دقت 95 درصدی در طبقه بندی عنوان شغلی خود دست یابند.این پیشنهاد در بحث ما مفیدترین بود. پیگیری آن منجر به دقت نهایی طبقه‌بندی محصول ما به 95٪ شد. من پرسیدم که چگونه او توانست در این بینش انتقادی مشارکت کند. او پاسخ داد: "اوه، من فقط هر از چند گاهی مقاله می خواندم." به طور خاص، او سعی می کند هر هفته 1 تا 2 مقاله بخواند، معمولاً در مورد موضوعاتی که تیم روی آنها کار می کرد.با خواندن مقالات، ما توانستیم یاد بگیریم که دیگران (به عنوان مثال، لینکدین) چه چیزهایی را مفید (و نه کارآمد) یافته اند. سپس می‌توانیم رویکرد آنها را تطبیق دهیم و مجبور نباشیم موشک را دوباره اختراع کنیم. این به ما کمک می کند تا یک راه حل کارآمد را با زمان و تلاش کمتر ارائه دهیم.مقاله ها حاوی دانش مقطر در مورد آنچه که دیگران کار می کنند و کار نمی کنند هستند. با خواندن آنها، به فضای مشکل سرعت می‌دهیم و رویکرد آنها را تقویت می‌کنیم. این ما را از اختراع مجدد چرخ و در نتیجه ایجاد یک راه حل کار با زمان و تلاش کمتر باز می دارد.خواندن مقالات نیز دیدگاه ما را گسترش می دهد. اگرچه ممکن است در بخش‌های محدودی از علم داده کار کنیم، پیشرفت‌ها در تحقیقات اغلب مفید هستند. به عنوان مثال، ایده جاسازی کلمات و نمودارها در سیستم های توصیه گر مفید بوده است. به طور مشابه، ایده هایی از بینایی کامپیوتر - مانند یادگیری انتقال و data augmentation - برای پردازش زبان طبیعی (NLP) مفید بوده است.خواندن مقالات نیز ما را به روز نگه می دارد. حوزه NLP در دهه گذشته پیشرفت های زیادی داشته است. با این وجود، با خواندن 10 یا بیشتر مهم ترین مقاله، می توانیم به سرعت به نتیجه برسیم. آگاهی از پیشرفت های اخیر به ما امکان می دهد آنها را در محل کار به کار ببریم و اثربخشی خود را افزایش دهیم.اگر من بیشتر از دیگران دیده‌ام، با ایستادن بر شانه‌های غول‌ها است. - اسحاق نیوتندر نتیجه کار زمان و تلاش کمتری می گیرد و زمان بیشتری برای مطالعه و یادگیری داریم. این یک چرخه با فضیلت است!چگونه انتخاب کنیم چه مقالاتی را بخوانیم؟اگر شروع به خواندن مقاله می کنید، فقط هر آنچه را که به آن علاقه دارید بخوانید - بیشتر مقالات چیزی برای آموزش دارند. خواندن در مورد موضوعاتی که به آنها علاقه دارید نیز ایجاد این عادت را آسان تر می کند.شما همچنین می توانید مقالات را بر اساس عملی بودن انتخاب کنید. به عنوان مثال، ممکن است لازم باشد به سرعت دامنه یک پروژه را درک کنید. قبل از شروع یک پروژه، تقریباً همیشه زمانی را برای مرور مقاله اختصاص می‌دهم. صرف چند روز غواصی در کاغذها می تواند هفته ها، اگر نگوییم ماه ها، از بن بست ها و پیچ و خم ها نجات می دهد.دریافت توصیه از همتایان نیز راهی مفید برای شناسایی مقالات مفید برای خواندن است. من تمرین‌کنندگان یادگیری ماشین را در شبکه های اجتماعی دنبال می‌کنم و وقتی چند نفر از آنها مقاله مشابهی را ذکر می‌کنند، متوجه می‌شوم. از طرف دیگر، مشترک خبرنامه های انتخابی شوید که نسبت اطلاعات به نویز بالایی دارند.چه مقالاتی را بخوانم؟ از جهت عملی، بیشتر مقالات مرتبط با کار را مطالعه می کردم. این به من این امکان را می دهد که فوراً مطالبی را که خوانده ام اعمال کنم و در نتیجه یادگیری خود را تقویت کنم. خارج از محل کار، من به sequences ها علاقه دارم و تمایل به خواندن در مورد NLP و یادگیری تقویتی دارم. من به خصوص به مقالاتی علاقه دارم که به اشتراک بگذارند چه چیزی مؤثر بوده و چه چیزی مفید نیست،این شامل مقالات Word2vec، BERT و T5 است.چگونه مقالات را بخوانیم؟جستجوی گوگل برای "چگونه مقالات را بخوانیم" نتایج مفید بی شماری را به دست می دهد. اما اگر آن را طاقت‌فرسا می‌دانید، در اینجا دو موردی وجود دارد که برای من مفید بود:رویکرد کلاسیک سه پاس یا https://web.stanford.edu/class/ee384m/Handouts/HowtoReadPaper.pdf (و نسخه ویدیویی سه دقیقه ای)https://www.youtube.com/watch?v=SKxm2HF_-k0نحوه خواندن یک مقاله دانشگاهی: توصیه های یک پروفسور بزرگ http://omscs6460.gatech.edu/research-guide/how-to-read-an-academic-paper/مصاحبه با دانشمندان دیگر که رویکرد خود را به اشتراک می گذارندhttps://www.sciencemag.org/careers/2016/03/how-seriously-read-scientific-paperرویکردی برای مقالات مهندسی-پژوهشیاطمینان خاطر که ما تنها کسانی نیستیم که این کار را سخت می بینیمروش من شبیه روش سه پاس است. در مثال زیر، نحوه خواندن چندین مقاله recsys را به اشتراک خواهم گذاشت تا در مورد معیارهای تازگی، تنوع، سرندیپیتی بیاموزم. و غیره.در اولین پاس، چکیده را اسکن می‌کنم تا بفهمم آیا مقاله آنچه را که من نیاز دارم را دارد یا خیر. اگر اینطور باشد، سرفصل ها را مرور می کنم تا بیانیه مشکل، روش ها و نتایج را شناسایی کنم. در این مثال، من به طور خاص به دنبال فرمولی در مورد نحوه محاسبه معیارهای مختلف هستم. من به تمام مقالات موجود در لیستم یک پاس اول می دهم (و تا زمانی که لیست را کامل نکنم از شروع با پاس دوم مقاومت می کنم). در این مثال، حدود نیمی از اوراق به پاس دوم رسیدند.در پاس دوم، دوباره هر مقاله را مرور می کنم و بخش های مربوطه را برجسته می کنم. این به من کمک می کند وقتی بعداً به مقاله مراجعه می کنم، به سرعت بخش های مهم را تشخیص دهم. سپس، برای هر مقاله یادداشت برداری می کنم. در این مثال، یادداشت‌ها بیشتر حول معیارها (یعنی روش‌ها، فرمول) بودند. اگر بررسی ادبیات یک برنامه کاربردی باشد (مانند recsys، طبقه‌بندی محصول، تشخیص تقلب)، یادداشت‌ها بر روی روش‌ها، طراحی سیستم و نتایج تمرکز می‌کنند.برای اکثر مقالات، پاس دوم کافی است. من اطلاعات کلیدی را گرفته ام و در صورت نیاز می توانم در آینده به آن مراجعه کنم. با این وجود، اگر در حال مطالعه مقالات به عنوان بخشی از مرور ادبیات هستم، یا اگر بخواهم دانش خود را تقویت کنم، گاهی اوقات پاس سوم را انجام می دهم.در گذر سوم، مفاهیم رایج در کاغذها را در یادداشت های خود ترکیب می کنم. مقاله‌های مختلف روش‌های خاص خود را برای اندازه‌گیری تازگی، تنوع، سرزنده بودن، و غیره دارند. در حین انجام این کار، اغلب شکاف هایی در یادداشت ها و دانش خود پیدا می کنم و مجبور می شوم دوباره مقاله اصلی را مرور کنم.در نهایت، اگر فکر می‌کنم برای دیگران مفید است، درباره آموخته‌هایم می‌نویسم و آن را به صورت آنلاین منتشر می‌کنم. نسبت به شروع از صفر، داشتن یادداشت های من به عنوان مرجع نوشتن را بسیار آسان تر می کند. این پست از نمونه است.خواندن ذهن را فقط با مواد معرفتی تجهیز می کند. این تفکر است که آنچه را که می خوانیم مال ما می کند. - جان لاکخودتان آن را امتحان کنیدقبل از اینکه وارد پروژه بعدی خود شوید، یک یا دو روز را صرف بررسی چند مقاله مرتبط کنید. من مطمئن هستم که در میان مدت و بلند مدت در زمان و تلاش شما صرفه جویی می کند. مطمئن نیستم از کجا شروع کنم؟ در اینجا چند منبع مفید برای شروع آورده شده است:مقالات با کد: ML تحقیق با کد برای پیاده سازی آنhttps://paperswithcode.com/https://github.com/eugeneyan/applied-mlhttps://github.com/eugeneyan/ml-surveyshttps://scholar.google.com/intl/en/scholar/help.html#alertshttps://42papers.com/hyperparametershyperparametersTue, 03 May 2022 15:43:26 +0430https://virgool.ir/@m_62783302/چگونه-یادگیری-عمیق-به-یک-مدیر-فناوری-اطلاعات-کمک-کرد-تا-بعد-از-۴۰-سالگی-رضایت-شغلی-جدیدی-پیدا-کند-sf8u2ao3w4tmنام: اولیویه مولنعنوان: معمار ارشد سازمانی و کاندید دکتری پاره وقت در یادگیری تقویتی @ VU Amsterdamمکان: آمستردام، هلندتحصیلات: کارشناسی ارشد در علوم، فناوری اطلاعات از دانشگاه فناوری د کامپیگنحوزه مورد علاقه ML: یادگیری تقویتی، با تمرکز بر چگونگی بهبود قابلیت تعمیم عوامل آموزش دیده به محیط های جدید.اولیویه مولن مدیر فناوری اطلاعات یک شرکت بزرگ و چند ملیتی فناوری پزشکی است که بیش از 20 سال در زمینه فناوری کار کرده است. او در اوایل کار خود، تصمیم سختی گرفت تا به جای ادامه تحصیل در مقطع دکترا، شغلی با درآمد بالا داشته باشد. او در مورد اینکه چگونه تخصص یادگیری عمیق به او کمک کرد تا اعتماد به نفس خود را برای بازگشت به مدرسه ایجاد کند و اینکه چرا برخی از جنبه های یادگیری در واقع با افزایش سن آسان تر می شوند، صحبت کرد.شما قبل از گرفتن تخصص یادگیری عمیق و ورود به هوش مصنوعی، یک حرفه بسیار طولانی در فناوری اطلاعات داشتید. چرا تصمیم گرفتید الان زمان بازگشت به مدرسه است؟اولیویه مولن: من در تمام عمرم به علوم کامپیوتر علاقه داشتم. من کدنویسی را در شش سالگی یاد گرفتم، احتمالاً قبل از اینکه بتوانم درست بنویسم. من در رشته کامپیوتر تحصیل کردم و مدرک کارشناسی ارشد را از یکی از بهترین دانشگاه های فرانسه دریافت کردم. بعد از آن، من می خواستم دکترا را ادامه دهم، اما سال 2000 بود و به متخصصان فناوری اطلاعات پول نقد زیادی پیشنهاد شد. بنابراین باید درک کنید، علاقه من به فناوری است. اما در اوایل کارم کاری را انجام دادم که همه انجام می دهند. حرکاتی انجام دادم که حقوق بهتری به من داد. من وارد مدیریت شدم، اما هیچ وقت در قلب مدیر نبودم.چگونه به هوش مصنوعی علاقه مند شدید؟اولیویه مولن: من همیشه به فناوری های نوظهور علاقه مند بودم. چند سال پیش، مدیر من توصیه کرد که دوره های آموزشی Coursera را بررسی کنم. من با برخی دیگر در مورد یادگیری ماشین شروع کردم، که هیجان انگیز و به خوبی توضیح داده شد. اما، آنها وارد شبکه های عصبی عمیق نشدند. این باعث شد فکر کنم، هی، اینجا چیزی کم است. سپس تخصص یادگیری عمیق را انتخاب کردم و متوجه شدم که در مواردی که می‌خواستم یاد بگیرم بسیار فراتر رفت.چگونه از تخصص به دکتری در یادگیری تقویتی رسیدید؟اولیویه مولن: من از این دوره بسیار لذت بردم و این باعث شد فکر کنم که می خواهم بیشتر یاد بگیرم. من به جمع آوری دوره های بیشتر در Coursera ادامه دادم، تا اینکه با خودم فکر کردم، "خب، شما اکنون 45 ساله هستید، و حرفه ای طولانی پشت سر دارید، اما هیچ وقت برای یادگیری آنقدر پیر نیستید، درست است؟" من برای دکترا در دانشگاه Vrije اینجا در آمستردام درخواست دادم، و کار من از طریق برنامه شهریه ما هزینه آن را پرداخت می کند. یادگیری تقویتی اولین انتخاب من نبود، چیزی بود که مشاور دکتری من را به سمت آن هدایت کرد. هر چه بیشتر در مورد آن یاد می‌گیرم، اشتیاق بیشتری پیدا می‌کنم. یادگیری تقویتی یک موضوع داغ با ترکیبی جالب از تکنیک ها است. اکثر روزنامه های بزرگ در سه سال گذشته منتشر شده اند.آیا توصیه ای دارید که بتوانید به سایر افرادی که در حرفه خود تثبیت شده اند اما کنجکاو هستند که قدمی به سمت یادگیری عمیق بردارند، بفرستید؟اولیویه مولن: هر بار که یک دوره را تکمیل می کنید، کمی اعتماد به نفس به شما می دهد. شما چند قابلیت جدید یاد می گیرید و می گویید چرا بیشتر نه؟ شاید اصرار برای Ph.D. برای همه مناسب نیست، به خصوص زمانی که در حال کار هستید. اما وقتی بزرگ‌تر می‌شوید، راحت‌تر می‌توانید اوقات فراغت خود را صرف انجام کاری سازنده کنید. همچنین می گویم که من در 45 سالگی در ریاضیات خیلی بهتر از 20 سالگی هستم [می خندد].hyperparametershyperparametersTue, 03 May 2022 00:46:08 +0430https://virgool.ir/@m_62783302/چگونه-یک-مادر-هوش-مصنوعی-را-در-هنگام-خواب-نوزاد-تازه-متولد-شده-اش-یاد-گرفت-vbayf1qromanنام: آپالا گوهاعنوان: مهندس نرم افزار در مایکروسافتمکان: ردموند، واشنگتن، ایالات متحدهتحصیلات: لیسانس علوم کامپیوتر از دانشگاه جادوپور. کارشناسی ارشد، مهندسی کامپیوتر از دانشگاه ویرجینیا؛ دکتری، مهندسی کامپیوتر از دانشگاه ویرجینیاناحیه مورد علاقه ML: بهینه سازی عملکرد در استنتاج هوش مصنوعیآپالا گوها یک مهندس ارشد کامپایلر یادگیری ماشین در Lightmatter، یک استارت آپ در منطقه بوستون است. قبل از آن، او یک دانشمند کامپیوتر بود که همیشه به یادگیری عمیق علاقه داشت. هنگامی که او شغل قبلی خود را در ابتدای سال 2020 رها کرد تا بچه دار شود، از "زمان مرخصی" استفاده کرد و Deep Learning Specialization را انتخاب کرد. او با ما در مورد اینکه چگونه در حین مراقبت از یک نوزاد وقت پیدا کرد تا به یادگیری ادامه دهد، چگونه دانش او از هوش مصنوعی در طراحی تراشه های کامپیوتری کمک می کند و چرا تخصص یادگیری عمیق به او کمک کرد تا برای اولین بار احساس ارتباط عاطفی با حرفه خود کند.قبل از شروع به کار در زمینه هوش مصنوعی در حرفه خود چه می کردید؟آپالا گوها : من در علوم کامپیوتر، دکتری دارم. در اینتل و به عنوان محقق برای چندین دانشگاه کار کرده ام. در ابتدا، کار من ربطی به هوش مصنوعی نداشت، اما به مرور زمان هوش مصنوعی مطرح شد و در نهایت، تمرکز ما به ساختن سیستم‌های مخصوص هوش مصنوعی معطوف شد. برای مدتی می‌خواستم Specialization را بگذرانم، اما فرصتی نداشتم تا اینکه بلافاصله بعد از شروع همه‌گیری، بعد از بچه‌ام در خانه ماندم.چگونه توانستید در این دوره شرکت کنید و در عین حال از یک نوزاد تازه متولد شده نیز مراقبت کنید؟آپالا گوها: درست قبل از بچه دار شدن کارم را رها کرده بودم، بنابراین مراقبت از آن شغل تمام وقت جدید من بود. اما من کمی نگران بودم که در آن مدت با کار بی ارتباط باشم و به این فکر می کردم که چگونه از اوقات فراغت خود به طور مؤثر استفاده کنم. خوشبختانه، مطالب در Specialization به صورت لقمه های کوچک تحویل داده شد، که تمام چیزی بود که من داشتم. بله، مراقبت از نوزادان تازه متولد شده یک شغل تمام وقت است، اما آنها نیز زیاد می خوابند. من کنترل زمان و مدت زمان خواب کودک را نداشتم، اما ذهنیتی در من ایجاد شد که می توانم این برنامه نامشخص را دور بزنم. بچه چرت می زد، من کمی پیشرفت می کردم و این کار را روز به روز ادامه می دادم.با توجه به تجربه قبلی شما در زمینه علوم کامپیوتر، چرا لازم دانستید که در رشته تخصصی شرکت کنید؟آپالا گوها: من بیشتر دوران حرفه ای خود را از دیدگاه سیستم صرف کرده ام. من همچنین علم داده تدریس می کردم، اما عمدتاً بر روی داده کاوی تمرکز کردم. من هرگز روی چیزی صرفاً یادگیری ماشینی کار نکرده بودم، و احساس کردم که اکنون زمان مناسبی برای انجام این کار است. من در حال ساختن سیستم هایی برای یادگیری ماشین بودم و احساس می کردم که حتی می توانم از یادگیری ماشینی برای کمک به ساخت سیستم استفاده کنم. به نظر می رسید این بالاترین اولویت چیزی بود که در آن زمان می توانستم یاد بگیرم.پس از پایان مرخصی زایمان، یافتن کار برای شما چقدر چالش برانگیز بود؟آپالا گوها: هیچ مشکلی نداشت. با سه شرکت مصاحبه کردم و دو پیشنهاد شغلی گرفتم. این اولین کار من بعد از بچه دار شدن و استراحت طولانی بود، اما مصاحبه های من خیلی راحت پیش رفت. من بسیاری از آن ها را به اصول صحیح در یادگیری عمیق نسبت می دهم که می توانستم در مدت زمان کوتاهی به دست بیاورم.در مورد نقش فعلی خود کمی بیشتر توضیح می دهید؟آ.گ: من در یک استارت آپ مستقر در بوستون به نام LightMatter کار می کنم که شتاب دهنده های استنتاج یا inference هوش مصنوعی را با استفاده از رایانه های نوری می سازم که از نور به عنوان سیگنال به جای برق استفاده می کنند. این کاری است که ما در سطح سخت افزار انجام می دهیم. در سطح برنامه، ما هوش مصنوعی و در درجه اول یادگیری عمیق را هدف قرار داده ایم. سه سال است که وجود دارد و من شش ماه است که اینجا کار می کنم. در مورد نقش خاصم، من در تیم کامپایلر هستم. کار من این است که مثلاً یک شبکه یادگیری عمیق را که با PyTorch یا TensorFlow نوشته شده است بگیرم و آن را به سخت افزار خود منتقل کنم. بنابراین من باید درک خوبی از اصول یادگیری عمیق داشته باشم، و Specialization به من کمک کرد تا این شغل را پیدا کنم.آیا جنبه‌هایی از تخصص وجود داشت که به نظر شما تأثیرگذار بود؟آ.گ: از دیدگاه من، من می خواهم کاربر هوش مصنوعی باشم اما احتمالاً نوع جدیدی از معماری را اختراع نمی کنم. این عالی بود که دقیقاً آنچه را که نیاز داشتم به من ارائه داد و چیزهایی را که نداشتم کنار گذاشت. به عنوان مثال، مطالب بدون عمیق‌تر شدن ریاضیات، چیزهایی را توضیح می‌دهند، چیزی که در چنین لقمه‌های کوتاهی برای من سخت بود. من در موارد سطح بالا می‌دانم که چرا Resnet اتصالات را نادیده می‌گیرد یا اینکه چگونه YOLO بدون گرفتار شدن در جزئیات دقیق هر چیز کوچک، تشخیص تک‌شات را انجام می‌دهد. اندرو معلم بزرگی است، و او در توضیح مفاهیم با ارتباط دادن آنها با چیزهایی که قبلاً درک کرده ایم، کار فوق العاده ای انجام داد.آیا راه هایی وجود دارد که Specialization به شما در کارهای روزمره کمک می کند؟آ.گ: قطعا به دنبال کردن سریع پروژه های من کمک می کند. برای ساختن این سیستم های کامپیوتری لزوماً به درک یادگیری عمیق نیاز ندارید، اما زمان زیادی طول می کشد. من یا از قبل در مورد شبکه هایی که در پروژه هایم روی آنها کار می کنم می دانم، یا می توانم برای آشنایی با خودم بروم و سخنرانی ها را مرور کنم. نیازی نیست روزها یا هفته ها را برای درک نحوه انجام کاری یک شبکه تسریع کنم. به عنوان یک استارتاپ، ما افراد زیادی نداریم، بنابراین صرفه جویی در زمان بسیار مهم است.در حال حاضر نسبت به قبل از شروع تخصص چقدر از شغل خود راضی هستید؟آ.گ: قبل از گذراندن دوره، من یک دانشمند کامپیوتر بودم و همیشه با سیستم های کامپیوتری کار کرده ام. اما من برای پیدا کردن برنامه ای که بتوانم با آن ارتباط برقرار کنم به سختی تلاش کردم. از زمانی که به کار برگشتم و کامپیوترهایی را به طور خاص برای هوش مصنوعی طراحی کردم، نسبت به کاری که انجام می‌دهم اشتیاق بیشتری پیدا کردم زیرا احساس می‌کنم با آنچه در جامعه می‌گذرد مرتبط هستم. برای مثال، اگر تشخیص چهره در اخبار باشد، احساس می‌کنم با بحث مرتبط هستم زیرا سیستمی که من می‌سازم تشخیص چهره را انجام می‌دهد. من نسبت به این مسائل بسیار علاقه مند هستم زیرا آنها مستقیماً به من مربوط می شوند.hyperparametershyperparametersTue, 03 May 2022 00:33:33 +0430https://virgool.ir/@m_62783302/قسمت-اول-شروع-با-علم-داده-یا-data-science-xf60vccp0kusاگر در گوگل جستجو کنید که چگونه می توانید یک دانشمند داده شوید، احتمالاً با لیستی از مهارت ها، از مدل سازی آماری گرفته تا برنامه نویسی در پایتون از طریق برقراری ارتباط موثر و ارائه، مواجه خواهید شد. یک شرح شغل ممکن است نقشی را توصیف کند که نزدیک به یک تحلیگر امار است، در حالی که کارفرمای دیگری به دنبال فردی است که دارای مدرک کارشناسی ارشد در علوم کامپیوتر باشد. وقتی به دنبال راه هایی برای به دست آوردن این مهارت ها هستید، گزینه هایی از بازگشت به دانشگاه برای مدرک کارشناسی ارشد گرفته تا انجام یک بوت کمپ تا شروع به تجزیه و تحلیل داده ها در شغل فعلی خود را خواهید یافت. در کنار هم، همه این ترکیب مسیرها می تواند غیرقابل عبور باشد، به خصوص برای افرادی که هنوز مطمئن نیستند که حتی می خواهند دانشمند داده باشند.خبر خوب این است که هیچ دانشمند داده ای وجود ندارد که همه این مهارت ها را داشته باشد. دانشمندان داده پایه دانش مشترکی دارند، اما هر کدام تخصص های خاص خود را دارند، تا جایی که بسیاری نمی توانند شغل خود را با هم عوض کنند. قسمت اول این مقاله برای کمک به شما در درک اینکه همه این نوع دانشمندان داده چیست و چگونه بهترین تصمیم را برای شروع حرفه خود بگیرید، طراحی شده است. در پایان این مقاله، باید مهارت و درک لازم را برای شروع جستجوی کار خود داشته باشید.قسمت اول اصول دانشمند داده را پوشش می دهد، از جمله مهارت هایی که برای کار نیاز دارید و انواع مختلف دانشمندان داده. قسمت دوم به جزئیات در مورد نقش یک دانشمند داده در پنج نوع شرکت می پردازد تا به شما کمک کند بهتر درک کنید که شغل چگونه خواهد بود. قسمت سوم مسیرهای کسب مهارت های مورد نیاز برای دانشمند داده بودن و مزایا و معایب هر یک را پوشش می دهد. در نهایت، قسمت چهارم چگونگی ایجاد مجموعه ای از پروژه های دانشمند داده را برای به دست آوردن تجربه عملی در انجام دانشمند داده و ایجاد یک نمونه کار برای نشان دادن به کارفرمایان بالقوه را پوشش می دهد.دانشمند داده چیست؟این فصل را پوشش می دهدسه حوزه اصلی دانشمند دادهانواع مختلف مشاغل دانشمند داده"دانشمند داده بهترین شغل در آمریکا در قرن بیست و یکم." دانشمند داده، عنوانی که حتی قبل از سال 2008 وجود نداشت، اکنون موقعیتی است که کارفرمایان نمی توانند به اندازه کافی آن را استخدام کنند و جویندگان کار برای رسیدن به آن تلاش می کنند. دلیل خوبی برای تبلیغات وجود دارد: دانشمند داده حوزه بسیار در حال رشدی است، با میانگین حقوق پایه بیش از 100000 دلار در ایالات متحده در سال 2019 . در یک شرکت خوب، دانشمندان داده از استقلال زیادی برخوردارند و دائماً چیزهای جدید یاد می گیرند. آن‌ها از مهارت‌های خود برای حل مشکلات مهم استفاده می‌کنند، مانند کار با پزشکان برای تجزیه و تحلیل آزمایش‌های دارو، کمک به یک تیم ورزشی در انتخاب بازیکنان جدید خود، یا طراحی مجدد مدل قیمت‌گذاری برای یک تجارت ویجت. در نهایت، همانطور که در قسمت سوم بحث می کنیم، هیچ راهی برای تبدیل شدن به یک دانشمند داده وجود ندارد. افراد از هر زمینه‌ای هستند، بنابراین شما بر اساس آنچه که برای تحصیل در مقطع کارشناسی انتخاب کرده‌اید محدود نیستید.اما همه مشاغل دانشمند داده کامل نیستند. هم شرکت ها و هم افراد جویای کار می توانند انتظارات غیر واقعی داشته باشند. شرکت‌هایی که تازه وارد دانشمند داده شده‌اند ممکن است فکر کنند که یک نفر می‌تواند تمام مشکلات خود را برای مثال با داده‌ها حل کند. هنگامی که یک دانشمند داده در نهایت استخدام می شود، آنها می توانند با لیستی از کارهای بی پایان از درخواست ها روبرو شوند. زمانی که هیچ کاری برای آماده‌سازی یا پاکسازی داده‌ها انجام نشده است، ممکن است بلافاصله یک سیستم یادگیری ماشین را پیاده‌سازی کنند. ممکن است کسی نباشد که آنها را راهنمایی یا راهنمایی کند یا حتی با مشکلاتی که با آن روبرو هستند همدلی کند. ما این موضوعات را با عمق بیشتری درقسمت های 5 و 7 مورد بحث قرار می‌دهیم، جایی که به شما کمک می‌کنیم از پیوستن به شرکت‌هایی که احتمالاً برای یک دانشمند داده جدید مناسب نیستند، اجتناب کنید، و در قسمت 9، جایی که به شما توصیه می‌کنیم. اگر در موقعیتی منفی قرار گرفتید چه کار کنید.از طرف دیگر، جویندگان کار ممکن است فکر کنند که هرگز لحظه ای کسل کننده در شغل جدید آنها وجود نخواهد داشت. آنها ممکن است انتظار داشته باشند که ذینفعان توصیه های آنها را به طور معمول دنبال کنند، مهندسان داده بتوانند هر گونه مشکل کیفیت داده را فورا برطرف کنند و سریع ترین منابع محاسباتی موجود را برای پیاده سازی مدل های خود دریافت کنند. در واقعیت، دانشمندان داده زمان زیادی را صرف تمیز کردن یا data cleaning و آماده‌سازی داده‌ها و همچنین مدیریت انتظارات و اولویت‌های تیم‌های دیگر می‌کنند. پروژه ها همیشه به نتیجه نمی رسند. مدیریت ارشد ممکن است در مورد آنچه که مدل های دانشمند داده شما می توانند ارائه دهند، به مشتریان قول های غیر واقعی بدهد. کار اصلی یک فرد ممکن است کار با یک سیستم داده قدیمی باشد که خودکار کردن آن غیرممکن است و به ساعت ها کار خسته کننده در هفته نیاز دارد تا داده ها را تمیز کند. دانشمندان داده ممکن است متوجه اشتباهات آماری یا فنی زیادی در تجزیه و تحلیل‌های قدیمی شوند که پیامدهای واقعی دارند، اما هیچ‌کس علاقه‌ای به این موضوع ندارد، و آن‌قدر درگیر کار هستند که زمانی برای رفع آن‌ها ندارند. یا ممکن است از یک دانشمند داده خواسته شود که گزارش هایی را تهیه کند که از آنچه مدیریت ارشد قبلاً تصمیم گرفته است پشتیبانی کند، بنابراین اگر پاسخ مستقلی بدهند ممکن است نگران اخراج شدن باشند.این مقاله اینجاست تا شما را در فرآیند تبدیل شدن به یک دانشمند داده و توسعه حرفه خود راهنمایی کند. ما می خواهیم اطمینان حاصل کنیم که شما، خواننده، تمام بخش های مهم دانشمند داده بودن را به دست آورده و از بسیاری از دام ها اجتناب کنید. شاید شما در یک زمینه مجاور کار می کنید، مانند تجزیه و تحلیل بازاریابی، و نمی دانید که چگونه تغییر دهید. یا شاید شما قبلاً یک دانشمند داده هستید، اما به دنبال شغل جدیدی هستید و فکر نمی کنید که به خوبی به اولین جستجوی شغل خود نزدیک شده اید. یا می خواهید با سخنرانی در کنفرانس ها، مشارکت در منبع باز یا تبدیل شدن به یک مشاور مستقل، شغل خود را ارتقا دهید. در هر سطحی که باشید، ما مطمئن هستیم که این سلسله مقالات برای شما مفید خواهد بود.در چهار قسمت اول، فرصت‌های اصلی برای کسب مهارت‌های دانشمند داده و ساختن یک نمونه کار برای دور زدن پارادوکس نیاز به تجربه برای کسب تجربه را پوشش می‌دهیم. قسمت 2 نحوه نوشتن کاور لتتر (cover letter) و رزومه ای را نشان می دهد که با شما مصاحبه می کند و چگونه شبکه خود را برای دریافت ارجاع ایجاد کنید. ما استراتژی‌های مذاکره را پوشش می‌دهیم که تحقیقات نشان داده است بهترین پیشنهاد ممکن را به شما می‌دهد.وقتی در یک شغل دانشمند داده هستید، تحلیل می نویسید، با ذینفعان کار می کنید، و شاید حتی یک مدل را در مرحله تولید قرار می دهید. قسمت 3 به شما کمک می کند تا بفهمید همه این فرآیندها چگونه هستند و چگونه خود را برای موفقیت آماده کنید. در قسمت 4، استراتژی‌هایی برای پشتیبان گیری در زمانی که پروژه به طور اجتناب ناپذیری شکست می‌خورد، خواهید یافت. و هنگامی که آماده شدید، ما اینجا هستیم تا شما را در تصمیم گیری در مورد اینکه شغل خود را در کجا انتخاب کنید راهنمایی کنیم: پیشرفت به سمت مدیریت، ادامه دادن به مشارکت فردی، یا حتی به عنوان یک مشاور مستقل.با این حال، قبل از شروع آن سفر، باید در مورد اینکه دانشمندان داده چه هستند و چه کاری انجام می دهند، واضح باشید.دانشمند داده حوزه گسترده‌ای است که انواع مختلفی از کارها را پوشش می‌دهد و هر چه تفاوت‌های بین آن حوزه‌ها را بهتر درک کنید، بهتر می‌توانید در آنها رشد کنید.hyperparametershyperparametersTue, 15 Mar 2022 17:06:32 +0330https://virgool.ir/@m_62783302/پیش-گفتار-چگونه-شغل-data-scientists-پیدا-کنم-fh9djnsyrbi8به عنوان دانشمندان داده کهنه کار، دائماً این سؤال از ما پرسیده می شود. گاهی اوقات، مستقیماً از ما سؤال می شود؛ در مواقع دیگر، مردم به طور غیرمستقیم از طریق سوالاتی در مورد تصمیماتی که در حرفه خود گرفته ایم تا به جایی که هستیم می پرسند. در ظاهر، افرادی که سؤالات را می پرسند، به نظر می رسد که مبارزه دائمی دارند، زیرا منابع کمی برای یافتن چگونگی تبدیل شدن یا رشد به عنوان یک دانشمند داده در دسترس است. بسیاری از دانشمندان داده به دنبال کمک برای مشاغل خود هستند و اغلب پاسخ روشنی پیدا نمی کنند. اگرچه ما پست‌های وبلاگی را با توصیه‌های تاکتیکی درباره نحوه مدیریت لحظات خاص در یک شغل علم داده نوشته‌ایم، اما با نبود متن قطعی که پایان تا پایان شروع و رشد یک حرفه علم داده را پوشش دهد، دست و پنجه نرم کرده‌ایم. این سلسله مقالات برای کمک به این افراد نوشته شده است - هزاران نفری که در مورد علم داده و یادگیری ماشین می شنوند اما نمی دانند از کجا شروع کنند، و همچنین کسانی که از قبل در این زمینه هستند و می خواهند بفهمند چگونه پیشرفت کنند. ما خوشحالیم که این فرصت را به دست آوردیم تا در ایجاد این سلسله مقالات بنویسم. این سلسله مقالات قرار است راهنمای سوالات شغلی در علم داده باشد که مسیری را که یک فرد در حرفه طی می کند دنبال می کند. ما با آغاز سفر شروع می کنیم: چگونه می توان مهارت های اساسی علم داده را به دست آورد و درک کرد که مشاغل در واقع چگونه هستند. سپس به دنبال یافتن شغل و نحوه استقرار در آن می‌شویم. نحوه رشد در این نقش و در نهایت نحوه انتقال به مدیریت – یا رفتن به یک شرکت جدید را توضیح می‌دهیم. قصد ما این است که این سلسله مقالات منبعی باشد که دانشمندان داده همچنان با رسیدن به نقاط عطف جدید در حرفه خود به آن بازگردند. از آنجایی که تمرکز بر حرفه برای این مقالات بسیار مهم است، ما تصمیم گرفتیم عمیقاً روی مؤلفه‌های فنی علم داده تمرکز نکنیم. ما موضوعاتی مانند نحوه انتخاب فراپارامترهای یک مدل یا جزئیات دقیق بسته‌های پایتون را پوشش نمی‌دهیم. در واقع، این سلسله مقالات شامل یک معادله یا خط کد نیست. ما می دانیم که تعداد زیادی از کتاب های عالی این موضوعات را پوشش می دهند. به جای آن می‌خواستیم دانش غیر فنی اغلب نادیده گرفته شده اما به همان اندازه مهم مورد نیاز برای موفقیت در علم داده را مورد بحث قرار دهیم. ما بسیاری از تجربیات شخصی از دانشمندان محترم داده را در این مقالات گنجانده ایم. در پایان هر قسمت، مصاحبه ای را به صورت لایو یا ویدیو کست در یوتیوب یا اینستاگرام و... خواهید دید که توضیح می دهد چگونه یک دانشمند داده های انسانی واقعی شخصاً با مفاهیمی که هر قسمت مقاله پوشش می دهد، برخورد کرده است. ما از پاسخ‌های شگفت‌انگیز، دقیق و آسیب‌پذیری که از همه دانشمندان داده‌ای که با آنها صحبت کردیم، بسیار خوشحالیم. ما احساس می‌کنیم که نمونه‌هایی که آنها از زندگی‌شان ارائه می‌کنند، می‌تواند بسیار بیشتر از هر جمله گسترده‌ای که ممکن است بنویسیم، آموزش دهد. تصمیم دیگری که در نگارش این مقاله ( ویدیو کست یا لایو )گرفتیم این بود که آن را صاحب نظر کنیم. منظور ما این است که ما عمداً بر روی درس هایی که به عنوان دانشمندان حرفه ای داده آموخته ایم و با صحبت با دیگران در جامعه تمرکز کرده ایم. گاهی اوقات، ما اظهاراتی را بیان می کنیم که ممکن است همه با آن موافق نباشند، مانند پیشنهاد اینکه همیشه هنگام درخواست شغل باید یک cover letter بنویسید. ما احساس کردیم که سود ارائه دیدگاه‌هایی که قویاً معتقدیم برای دانشمندان داده مفید است، مهم‌تر از تلاش برای نوشتن چیزی است که فقط حاوی حقایق عینی باشد. امیدواریم با پیشرفت در حرفه علم داده، این سلسله مقالات راهنمای مفیدی باشد. ما آن را نوشته‌ایم تا سندی باشد که آرزو می‌کردیم زمانی که مشتاق و دانشمند داده جوان بودیم. امیدواریم اکنون از داشتن آن خوشحال شوید.hyperparametershyperparametersWed, 09 Mar 2022 22:08:30 +0330