Tertarik dengan Machine Learning? Well, kamu tidak sendiri! Semakin hari semakin banyak orang yang tertarik dengan Machine Learning. Meskipun demikian, memiliki ketertarikan dengan Machine Learning adalah satu hal, benar-benar mulai bekerja di lapangan adalah hal lain. Kali ini Hera, akan menba membantumu memahami pola pikir keseluruhan dan keterampilan khusus yang Kamu perlukan untuk menjadi seorang Machine Learning. Ini dia Keterampilan Machine Learning Engineer!
Apa itu Machine Learning Engineer?
Untuk memulai, ada dua hal sangat penting yang harus kamu pahami jika sedang mempertimbangkan untuk berkarir sebagai Machine Learning Engineer. Pertama, ini bukan peran akademis yang “murni”. Kamu tidak harus memiliki latar belakang penelitian atau akademis. Kedua, tidak cukup hanya memiliki pengalaman rekayasa perangkat lunak atau ilmu data. Idealnya Kamu membutuhkan keduanya.
Penting juga untuk memahami perbedaan antara Analis Data (Data Analyst), Ilmuwan Data (Data Scientist), dan Insinyur Pembelajaran Mesin (Machine Learning Engineer). Dalam bentuk yang paling sederhana, perbedaan utama berkaitan dengan tujuan akhir.
Sebagai Analis Data, Kamu menganalisis data untuk menceritakan sebuah kisah, dan untuk menghasilkan wawasan yang dapat ditindaklanjuti untuk anggota tim. Analisis dilakukan dan disajikan oleh manusia, kepada manusia lain yang kemudian dapat mengambil keputusan bisnis berdasarkan apa yang telah disajikan. “Audiens” untuk hasil tersebut adalah manusia. Sebaliknya, sebagai insinyur Pembelajaran Mesin, “keluaran” akhir berupa perangkat lunak yang berfungsi (bukan analisis atau visualisasi yang mungkin harus Kamu buat selama proses tersebut), dan “audiens” untuk keluaran ini sering kali terdiri dari komponen perangkat lunak lain yang berjalan secara mandiri dengan pengawasan manusia yang minimal.
Kecerdasan masih dimaksudkan agar dapat ditindaklanjuti, tetapi dalam model Pembelajaran Mesin, keputusan dibuat oleh mesin dan hal itu memengaruhi perilaku produk atau layanan. Inilah sebabnya mengapa keahlian rekayasa perangkat lunak sangat penting untuk berkarir di Pembelajaran Mesin. Seorang Ilmuwan Data tinggal di suatu tempat di antara dua dunia ini. Mereka harus memiliki keterampilan rekayasa perangkat lunak untuk mengumpulkan, membersihkan, dan mengatur data untuk dianalisis, dan menggunakan pembelajaran mesin untuk mendapatkan wawasan. Keterampilan komunikasi mereka juga penting untuk kesuksesan mereka.
Kembali dengan Machine Learning Engineer, ini dia hal-hal yang kamu perlu pelajari.
1. Dasar-dasar Ilmu Komputer dan Pemrograman
Dasar-dasar ilmu komputer yang penting bagi insinyur Pembelajaran Mesin termasuk struktur data (tumpukan, antrian, array multi-dimensi, pohon, grafik, dll.), Algoritme (pencarian, pengurutan, pengoptimalan, pemrograman dinamis, dll.), Komputasi dan kompleksitas (P vs. NP, masalah NP-complete, notasi big-O, algoritma perkiraan, dll.), Dan arsitektur komputer (memori, cache, bandwidth, deadlock, pemrosesan terdistribusi, dll.).
Baca Juga: 7 Tech Skills Yang Paling Banyak Dicari Tahun 2021 ( Tech Skills 2021 )
Kamu harus dapat menerapkan, menerapkan, mengadaptasi, atau mengatasinya (sebagaimana mestinya) saat pemrograman. Soal latihan, kompetisi coding, dan hackathon adalah cara yang bagus untuk mengasah keterampilanmu.
2. Probabilitas dan Statistik
Karakterisasi formal dari probabilitas (probabilitas bersyarat, aturan Bayes, kemungkinan, independensi, dll.) Dan teknik yang diturunkan darinya (Bayes Nets, Proses Keputusan Markov, Model Markov Tersembunyi, dll.) Merupakan inti dari banyak algoritme Pembelajaran Mesin; ini adalah cara untuk menghadapi ketidakpastian di dunia nyata. Terkait erat dengan ini adalah bidang statistik, yang menyediakan berbagai ukuran (mean, median, varians, dll.), Distribusi (seragam, normal, binomial, Poisson, dll.) Dan metode analisis (ANOVA, pengujian hipotesis, dll.) yang diperlukan untuk membangun dan memvalidasi model dari data yang diamati. Banyak algoritme Pembelajaran Mesin pada dasarnya merupakan perluasan dari prosedur pemodelan statistik.
3. Pemodelan dan Evaluasi Data
Pemodelan data adalah proses memperkirakan struktur yang mendasari kumpulan data tertentu, dengan tujuan menemukan pola yang berguna (korelasi, cluster, vektor eigen, dll.) Dan / atau memprediksi properti dari instance yang sebelumnya tidak terlihat (klasifikasi, regresi, deteksi anomali, dll. .). Bagian penting dari proses estimasi ini terus mengevaluasi seberapa baik model yang diberikan. Bergantung pada tugas yang ada, Kamu perlu memilih ukuran akurasi / kesalahan yang sesuai (mis. Kerugian log untuk klasifikasi, jumlah kesalahan kuadrat untuk regresi, dll.) Dan strategi evaluasi (pemisahan pelatihan-pengujian, sekuensial vs. validasi silang acak, dll.). Algoritme pembelajaran berulang sering kali secara langsung memanfaatkan kesalahan yang dihasilkan untuk mengubah model (misalnya propagasi mundur untuk jaringan saraf), jadi memahami langkah-langkah ini sangat penting bahkan untuk hanya menerapkan algoritme standar.
4. Menerapkan Algoritma dan Perpustakaan Machine Learning
Implementasi standar algoritme Machine Learning tersedia secara luas melalui library / paket / API (mis. Scikit-learn, Theano, Spark MLlib, H2O, TensorFlow, dll.), Tetapi menerapkannya secara efektif melibatkan pemilihan model yang sesuai (pohon keputusan, tetangga terdekat, neural net, support vector machine, ensemble of multiple model, etc.), prosedur pembelajaran untuk menyesuaikan data (regresi linier, penurunan gradien, algoritma genetika, bagging, boosting, dan metode khusus model lainnya), serta memahami cara hyperparameter mempengaruhi pembelajaran. Kamu juga perlu menyadari keuntungan dan kerugian relatif dari pendekatan yang berbeda, dan banyak kesalahan yang dapat membuat Kamu tersandung (bias dan varians, overfitting dan underfitting, data yang hilang, kebocoran data, dll.). Tantangan ilmu data dan Pembelajaran Mesin seperti yang ada di Kaggle adalah cara yang bagus untuk menghadapi berbagai jenis masalah dan nuansanya.
Baca Juga: Apa itu machine learning?
5. Rekayasa Perangkat Lunak dan Desain Sistem
Pada akhirnya, keluaran atau hasil khas insinyur Machine Learning adalah perangkat lunak. Dan seringkali itu adalah komponen kecil yang cocok dengan ekosistem produk dan layanan yang lebih besar. Kamu perlu memahami bagaimana bagian-bagian yang berbeda ini bekerja bersama, berkomunikasi dengannya (menggunakan panggilan perpustakaan, REST API, kueri database, dll.) Dan membangun antarmuka yang sesuai untuk komponen Kamu yang akan bergantung pada orang lain. Desain sistem yang cermat mungkin diperlukan untuk menghindari kemacetan dan membiarkan algoritme Kamu berskala baik dengan volume data yang meningkat. Praktik terbaik rekayasa perangkat lunak (termasuk analisis persyaratan, desain sistem, modularitas, kontrol versi, pengujian, dokumentasi, dll.) Sangat berharga untuk produktivitas, kolaborasi, kualitas, dan pemeliharaan.
Peran Pekerjaan Machine Learning
Pekerjaan yang terkait dengan Pembelajaran Mesin berkembang pesat karena perusahaan mencoba mendapatkan hasil maksimal dari teknologi yang muncul. Bagan di bawah ini menggambarkan kepentingan relatif dari keterampilan inti untuk jenis peran umum ini, dengan peran Analis Data yang khas untuk perbandingan.
Kepentingan relatif keterampilan inti untuk berbagai peran pekerjaan Machine Learning (klik untuk memperbesar)
Masa Depan Pembelajaran Mesin
Apa yang mungkin paling menarik tentang Machine Learning adalah penerapannya yang tampaknya tidak terbatas. Ada begitu banyak bidang yang terpengaruh oleh Machine Learning, termasuk pendidikan, keuangan, ilmu komputer, dan banyak lagi. Ada juga hampir TIDAK ADA bidang yang tidak diterapkan Machine Learning. Dalam beberapa kasus, teknik Pembelajaran Mesin sebenarnya sangat dibutuhkan. Perawatan kesehatan adalah contoh yang jelas. Teknik Pembelajaran Mesin sudah diterapkan pada arena kritis dalam bidang Perawatan Kesehatan, yang memengaruhi segalanya mulai dari upaya pengurangan variasi perawatan hingga analisis pemindaian medis.
Dunia tidak diragukan lagi berubah dengan cara yang cepat dan dramatis, dan permintaan untuk insinyur Pembelajaran Mesin akan terus meningkat secara eksponensial. Tantangan dunia itu kompleks, dan itu akan membutuhkan sistem yang kompleks untuk menyelesaikannya. Insinyur Machine Learning sedang membangun sistem ini.
Ingin menjadi Machine Learning Engineer? Yuk ikut kelas Machine Learning Engineer Hemera Academy. Cari tahu lebih lanjut dengan menghubungi kami di kolom chat!