Yapay Zekâ Alanında Kariyer Nasıl İnşa Edilir, Bölüm 2: Teknik Beceriler Öğrenme

Andrew Ng - Çeviri: Ozancan Ozdemir

Merhabalar,

Makine öğrenmesi ve derin öğrenmeye ilgi duyan herkes mutlaka en az bir kere de olsa Andrew Ng adını duymuştur ki birçok kişi de Ng’nin en az bir kez açık ders içerik materyallerinden faydalanmıştır.

Ng geçtiğimiz günlerde The Batch’de yapay zekâ alanında kariyer yapmak isteyen kişilere yönelik kendi düşünce ve tavsiyelerini içeren farklı zaman aralıklarında mektuplar yayınladı.

Ben de bu mektuplardan daha fazla kişinin yararlanması amacıyla Türkçe’ye çevirip, paylaşmak istedim.

İlk mektubun çevirisini okumadıysanız, buradan ulaşabilirsiniz.

— — — — — — — — — — — — —

Sevgili arkadaşlar,

Geçen hafta, yapay zekâ alanında kariyer inşa etmek için gerekli temel adımlar hakkında yazmıştım: teknik becerileri öğrenmek, proje çalışması yapmak ve bir topluluğun parçası olmakla desteklenen bir iş aramak. Bu mektupta, ilk adıma daha derinlemesine dalmak istiyorum.

Yapay zekâ hakkında, herhangi bir kişinin bir ömür boyu okuyabileceğinden daha fazla makale yayınlandı. Bu nedenle, öğrenme çabalarınızda, konu seçimine öncelik vermek çok önemli. Makine öğrenmesinde teknik kariyer için en önemli konuların şunlar olduğuna inanıyorum:

Temel makine öğrenmesi becerileri. Örneğin, doğrusal regresyon, lojistik regresyon, sinir ağları, karar ağaçları, kümeleme ve anomali tespiti gibi modelleri anlamak önemlidir. Belirli modellerin ötesinde, önyargı / varyans, maliyet fonksiyonları, regularizasyon, optimizasyon algoritmaları ve hata analizi gibi makine öğrenmesinin nasıl ve neden çalıştığının arkasındaki temel kavramları anlamak daha da önemlidir.

Derin öğrenme. Bu, makine öğrenmesinin o kadar büyük bir kısmı haline geldi ki, bunu anlamadan alanda başarılı olmak zor! Sinir ağlarının temellerini, çalışmasını sağlamak için pratik becerileri (hiperparametre ayarı gibi), kıvrımlı ağları, dizi modellerini ve transformatörleri bilmek değerlidir.

Makine öğrenmesi ile ilgili matematik. Temel alanlar arasında doğrusal cebir (vektörler, matrisler ve bunların çeşitli manipülasyonları) yanı sıra olasılık ve istatistikler (ayrık ve sürekli olasılık, standart olasılık dağılımları, bağımsızlık ve Bayes kuralı gibi temel kurallar ve hipotez testi dahil) bulunur. Ek olarak, bir veri kümesini sistematik olarak araştırmak için görselleştirmeleri ve diğer yöntemleri kullanan keşif veri analizi (EDA), küçümsenen bir beceridir. EDA’yı, hataları analiz etmenin ve içgörüler edinmenin ilerlemeyi hızlandırmaya gerçekten yardımcı olabileceği veri merkezli yapay zekâ geliştirmede özellikle yararlı buluyorum! Son olarak, temel bir sezgisel matematik anlayışı da yardımcı olacaktır. Önceki bir mektupta, makine öğrenimini iyi yapmak için gereken matematiğin nasıl değiştiğini anlattım. Örneğin, bazı görevler hesap gerektirse de, geliştirilmiş otomatik farklılaşma yazılımı, herhangi bir hesap yapmadan yeni sinir ağı mimarilerinin icat edilmesini ve uygulanmasını mümkün kılar. Bu on yıl önce neredeyse imkansızdı.

Yazılım geliştirme. Yalnızca makine öğrenimi modelleme becerileriyle iş bulabilir ve büyük katkılar sağlayabilirken, karmaşık yapay zekâ sistemlerini uygulamak için iyi yazılımlar da bilirseniz iş fırsatlarınız artacaktır. Bu beceriler arasında programlama temelleri, veri yapıları (özellikle veri çerçeveleri (data frame) gibi makine öğrenimi ile ilgili olanlar), algoritmalar (veritabanları ve veri manipülasyonu ile ilgili olanlar dahil), yazılım tasarımı, Python’a aşinalık ve TensorFlow veya PyTorch gibi anahtar kütüphanelere aşinalık ve scikit-learn bulunur.

Öğrenecek çok şey var! Bu listedeki her şeye hâkim olduktan sonra bile, öğrenmeye devam edeceğinizi ve teknik bilginizi derinleştirmeye devam edeceğinizi umuyorum. Doğal dil işleme veya bilgisayar vizyonu gibi bir uygulama alanında veya olasılıksal grafik modeller veya ölçeklenebilir yazılım sistemleri oluşturma gibi bir teknoloji alanında daha derin becerilerden yararlanan birçok makine öğrenmesi mühendisi tanıyorum.

Bu becerileri nasıl kazanıyorsunuz? İnternette çok fazla iyi içerik var ve teoride düzinelerce web sayfasını okumak işe yarayabilir. Ancak amaç derin bir anlayış olduğunda, ayrık web sayfalarını okumak verimsizdir çünkü birbirlerini tekrar etme, tutarsız terminoloji kullanma (sizi yavaşlatan), kalite bakımından farklılık gösterme ve boşluk bırakma eğilimindedirler. Bu nedenle, bir materyal gövdesinin tutarlı ve mantıklı bir biçimde düzenlendiği iyi bir kurs, genellikle anlamlı bir bilgi birikimine hâkim olmanın en zaman açısından verimli yoludur. Derslerde mevcut olan bilgiyi özümsemiş olduğunuzda, araştırma makalelerine ve diğer kaynaklara geçebilirsiniz.

Son olarak, hiç kimsenin bir hafta sonu veya hatta bir ay boyunca bilmesi gereken her şeyi tıkamayacağını unutmayın. Makine öğreniminde harika olan tanıdığım herkes hayat boyu öğrenen biri. Aslında, alanımızın ne kadar hızlı değiştiği göz önüne alındığında, yetişmek istiyorsanız öğrenmeye devam etmekten başka seçenek yok. Yıllarca istikrarlı bir öğrenme hızını nasıl koruyabilirsiniz? Alışkanlıkların değeri hakkında yazdım. Her hafta biraz öğrenme alışkanlığı geliştirirseniz, daha az çaba gibi hissettiren şeylerle önemli ilerleme kaydedebilirsiniz.

Öğrenmeye devam et!

Andrew

— — — — — — —

Yazının orijinaline https://read.deeplearning.ai/the-batch/how-to-build-a-career-in-ai-part-2-learning-technical-skills/ adresinden erişebilirsiniz.