O Segredo Para Dominar o Machine Learning

Um adendo: Esse artigo é uma tradução, com autorização, do artigo do Harsh Sikka no Medium Technomancy, para ler o original clique aqui. Eu adaptei o texto a nossa língua, não é uma tradução literal.

Não basta tomar notas, construa coisas! Eu vou te mostrar por onde começar.

Há muitos artigos com muitas besteiras sobre para você fazer esse curso ou ter aquela certificação e isso até é bom para o aprendizado básico, mas o verdadeiro caminho é um entendimento de alto nível, construindo coisas legais e novas, com isso você pode construir coisas que podem ser compartilhadas publicamente, introduzindo estruturas que, a rigor, integram ao seu trabalho. Assim você poderá realmente entender o que está em jogo.

O objetivo deste artigo é elucidar áreas e recursos com os quais você pode começar a construir novos projetos, ferramentas e contribuições. Contudo, se você gosta de um rigor matemático maior, entender os fundamentos de machine learning e deep learning você pode acessar esse post (em inglês). As pessoas sempre pedem para ele escrever um guia sobre como construir projetos significativos, mas se você prefere saber mais sobre o que de matemática precisa para machine learning você pode acessar esse post (inglês), ou, agora fazendo um jaba pessoal o post do meu Medium sobre o assunto.

1º Fique fluente nos frameworks e ferramentas de machine learning

Tem uma variedade muito grande de bibliotecas, frameworks e ambientes de implementação interessantes no qual você pode usar para criar seus projetos de machine learning e é fundamental que você tenha fluência em qualquer um desses que você escolher e focar na construção dele, não em sua sintaxe. Uma maneira mais rápida de entrar nisso seria usando frameworks populares como Tensorflow, Pytorch, ou o velhinho Scikit Learn. Você aprenderá mais de uma com o tempo, mas se concentre em ficar bom em uma dessas tecnologias.

Uma recomendação: Uma boa e direta forma de se adaptar às ferramentas mais modernas e arquiteturas de machine learning seria aderir aos cursos do Fast.ai. Você irá acompanhar as estruturas poderosas e criará alguns modelos fundamentais e interessantes que são parte do currículo.

2º Fique por dentro das competições do Kaggle

As competições do Kaggle são bem legais. Eles te permitem fazer modelos para problemas interessantes, além da incrível comunidade de outros criadores e engenheiros de machine learning. Você irá se expor à comunidade e saber como eles abordam seu trabalho, além de como ela é realmente, quais ferramentas usa, heurísticas e arquiteturas. Além de tudo disso, você poderia ganhar dinheiro de verdade! (O que é dificil, mas há muita gente brilhante por aí ganhando).

A boa notícia é que, se você fez os cursos Fast.ai, já experimentou as competições de Kaggle e tem uma ideia e também o conjunto de ferramentas para se sair bem. Tenha confiança, escolha uma competição e comece a praticar! A partir de agora, há competições interessantes que vão desde o diagnóstico de doenças até a PNL.

3º Leia e implemente artigos populares

A melhor maneira de obter experiência com pesquisa em machine learning que não seja ingressar em uma universidade ou em um laboratório é reimplementar as arquiteturas de artigos por conta própria. Quando se faz isso você irá começar a entender, devagar, como modifica-lo e mesmo quais as razões daquela implementação. Falando sério, ler artigos em sites como Arxiv ou mesmo Google Scholar é uma obrigação e implementar eles é como você vai melhorar suas credibilidades como engenheiro de machine learning, isso irá equipa-lo de uma forma que nenhum outra irá. Uma palavra amiga, novos artigos estão sendo publicados em machine learning todos os dias, é um campo que vem crescendo muito. Não fique sobrecarregado, siga o básico e leia muitos artigos de revisão para entender do que você gosta. ;)

Uma recomendação: Se você ir no Arxiv, use o Arxiv sanity. É uma ferramenta de descoberta feita por um cara muito brilhante que trabalhou no Open AI e agora administra AI no Tesla. Isso irá melhorar drasticamente suas habilidades na pesquisa e através da multiplicidade de artigos no Arxiv.

4º Opcional: Solicitações de pesquisa

Uma alternativa interessante que você poderia fazer seria completar uma solicitação de pesquisa da OpenAI. A equipe descreve alguns tópicos sobre os quais gostariam que as pessoas analisassem e que não conseguiram analisar. A maioria é bem dificil e boa parte tem haver com Reinforcement Learning, pois é o trabalho deles e se você pode realmente solucionar um, tenho certeza que eles vão te oferecer um emprego. Eu gostaria! (Eu também!, N.T.)

Você pode conferir o primeiro conjunto de solicitações aqui e o segundo conjunto deles aqui.

5º Descobrir qual subcampo em machine learning você gosta e cair dentro dele

Até esse ponto você deve ter feito uma quantidade boa de feitos. Você já deve ter visto o Fast.ai, aprendido alguns frameworks de machine learning, pesquisado através do Arxiv e reimplementado alguns deles, talvez até fez uma solicitação de pesquisa. Um progresso incrível.

Quando se chega tão longe é vital que e continue, mas você irá perceber alguma coisa, entre elas que há milhões de subáreas e tópicos em machine learning, e cada há muito que melhorar e implementações. Então escolha um! Eu não sei qual será, mas posso te dar uma lista dos que me interessa mais:

  • Arquiteturas Inspiradas em Neurociência (Redes Neurais, por exemplo)
  • Deep Reinforcement Learning
  • Distributed and Federated Machile Learning
  • Machile Learning Para Finanças
  • Machile Learning Para Saúde
  • Neural Turing Machines
  • Neural Architecture Search
  • ……entre muitas outras.

O ponto é, você está em um bom lugar. Você pode aplicar para um emprego, estágio, pesquisador ou apenas ajudar a comunidade, seja qual for sua paixão! Escreve um blog sobre isso, compartilhar e vamos coletivamente empurrar o campo de Machine Learning frente!


Pessoal, essa foi uma tradução, como já foi dito, desse artigo do Harsh Sikka no Medium dele e quero deixar aqui (em inglês) Thank you very much by permission! Se você gostou não esqueça de DAR O CLAP, pode comentar o que quiser, qualquer critica construtiva será bem vinda. Me sigam no Medium e se quiser me adicionem no LinkedIn. Até mis!