淘宝优惠劵网站怎么做广州市城乡建设局

淘宝优惠劵网站怎么做,广州市城乡建设局,网站制作价格表,超链接html代码原文#xff1a;towardsdatascience.com/how-to-transition-from-engineering-to-data-science-87c2ecee9bd1 你好#xff0c; 我经常被问到关于我从工程学到数据科学转变的问题。既然我已经跨出了这一步#xff0c;我了解什么有效#xff08;什么无效#xff09;#x…原文towardsdatascience.com/how-to-transition-from-engineering-to-data-science-87c2ecee9bd1你好我经常被问到关于我从工程学到数据科学转变的问题。既然我已经跨出了这一步我了解什么有效什么无效我认为分享我的见解可能会对你节省很多时间。我拥有工程学材料科学硕士学位和工程博士学位。我在数据科学方面是自学成才并且已经实践了 5 年。无论你是想转入数据角色利用数据科学知识为你的工程工作赋能或者出于好奇心学习这些技能…这个指南是为你准备的。它基于我的经历将帮助你自信地导航进入人工智能和数据科学的世界。为什么工程师在数据角色中表现出色工程师拥有成为优秀的机器学习实践者的所有工具。他们是问题解决者并且倾向于务实。他们能够穿越噪音利用已经有效的东西来构建解决问题的方案。而无需陷入从头开始编写新神经网络的困境。此外工程师在工程领域拥有大量的“领域”特定学科知识。来自其他背景的数据科学家可能缺乏这种知识这给了工程师在所有与工程相关的数据和机器学习任务中的优势。但对于许多工程师来说人工智能可能感觉令人畏惧且遥不可及。那么——如何开始先动手后理论。忘掉理论繁重的教科书——你必须从动手实践开始。通过实践你会学得更好、更快。我尝试过三次学习机器学习。前两次我都是从包含大量数学理论的在线课程开始——如何工作、梯度下降、损失函数等。两次我都一个月内就放弃了。为什么我没有应用我所学的知识。第三次尝试时我参加了一门实践课程从第一课就开始编码。解决问题我立刻被吸引住了。我的大脑喜欢这种即时反馈和运用新技能的机会。五年后的今天我仍在编码和解决数据问题。算法背后的理论很重要但你可以总是在需要时学习。自上而下的方法对一些人来说很难接受。但对于大多数人来说先学习理论只会扼杀最初的喜悦和动力。我发现动手技能在长期内将比我获得几个讲座的证书更有助于我。实践路线图所有道路都通向 Kaggle这就引出了Kaggle。一个实用、有趣、免费的网站以其举办大型奖金的机器学习竞赛而闻名。Kaggle 还提供免费数据集、编码环境、他人分享的笔记本代码解决方案对我们来说最重要的是——免费的编码和机器学习实践课程。Kaggle 让我在第三次尝试学习机器学习时上瘾。它仍然是推荐给那些想要开始 AI 的工程师的平台。并且自从接受我的建议以来每位工程师都对 Kaggle 赞不绝口。它之所以有效是因为它完全是关于立即解决问题的。你可以在这里找到免费的 Kaggle 课程。如果我要重新开始我会按照以下顺序学习这些迷你课程· (如果你之前没有编程经验) 编程入门· Python· 机器学习入门· Pandas· 中级机器学习· 数据清洗· 特征工程· 机器学习可解释性它从 Python 开始。忘记 MATLAB。Python。Python 允许你直接使用最新的算法它是免费的文档齐全并且提供了一种将机器学习应用于日常工作的便捷方式。在学习 Python 基础知识之后是时候构建你的第一个模型在失去动力之前真正地沉迷于机器学习了“机器学习入门”将让你构建第一个模型参加你的第一个机器学习竞赛以帮助游戏化你的学习过程并进一步激发你的动力。今后所有其他推荐的迷你课程都将帮助你建立基础。Kaggle 确实提供了其他课程我认为它们都很有价值一旦你掌握了基础知识就值得回顾。现在如果你已经读到这儿并且仍然感兴趣那么这就是我会在我的第一本书上投资的地方。这里只需要一个推荐那就是**《动手学机器学习》由 Aurélien Geron 著。这本书实用每个主题都超越了 Kaggle并且可以作为你未来项目的绝佳参考点。(如果你通过这个链接购买我会获得佣金但不会给你带来额外费用。)《动手学机器学习Scikit-Learn、Keras 和 TensorFlow概念、工具和技术…》对于大多数从工程师转向数据科学的人来说机器学习的基础知识足以开始。当处理图像识别或自然语言处理等高级 AI 概念如深度学习或转换器时这些概念变得很重要。然而我会在掌握基础知识并面对需要这些知识的项目后再深入研究这些领域。可能性很大你将工作的许多问题将是表格或基于时间序列的因为你会遇到的大部分数据都来自传感器和日志。专注于能带来最大结果的事情可以使这个过程不那么令人畏惧并且更具目标导向。应用所学技能一旦你完成了 Kaggle 的基础课程就是时候从解决通用问题转向解决特定领域的挑战了。你迄今为止可能已经工作的多数问题可能对你接下来将要工作的那些问题不太相关。在这个阶段通过解决你计划工作的领域相关的问题来展示你的新技能是很重要的。首先定义这个领域无论是工程还是其他完全不同的领域。在工程领域你可以进一步缩小到你的特定细分市场——比如材料、加工等。然后你可以在该细分市场内找到一些问题来解决。一个好的开始是寻找你工作场所的项目这些项目可以通过机器学习解决方案减少低效或改善结果。然后你可以向你的经理展示一个小型的概念验证模型这可能会激发兴趣为你提供更多将数据科学融入你角色的机会。许多公司尤其是工程公司更倾向于内部提升技能而不是雇佣专职数据科学家因为他们可能没有足够的工作量来证明全职雇佣的合理性。这在你过渡期间可以为你提供完美的服务。如果你正为想法发愁我相信 ChatGPT 可以帮助你进行头脑风暴。预测性维护、质量控制以及物流优化都是 AI 在工程领域的应用案例。在我的情况下我开始通过识别工作场所中的用例和低效来着手。我工作的第一个项目已经收集了数据并构建了一个依赖于使用线性回归来预测加工后零件状态的解决方案。我拿了这个数据集并经过经典的数据科学工作流程。我清理了数据可视化了它进行了一些特征工程和特征选择建立了基线尝试了多个模型评估了每个模型并优化了表现最好的模型。这些项目帮助你建立信心同时也在扩展你的作品集这最终将为你打开数据科学角色的机会。这里的一个有用提示是展示一切。确保问题定义清晰并在商业环境中有效地传达结果。如果模型可以降低成本或提高效率请强调这一点。为工程师量身定制的实践机器学习如果你对这个感兴趣我还在开发一个为工程师量身定制的实践课程。该课程专注于我在过去 5 年中工作过的最具影响力的领域之一**预测性维护——**利用 AI 预防设备故障。课程设计结合了真实世界的数据集和案例研究不需要先前的 Python 知识并教授了我开始时希望拥有的所有内容。限时优惠课程提供独家预售折扣立即获取预售优惠最终收获只需开始并享受乐趣保持好奇心持续解决问题你将在激动人心的 AI 世界中找到自己的位置。如果你尝试后发现机器学习不是你的菜你仍然会获得在当今世界越来越相关的宝贵知识。我将在未来的帖子中分享更多数据科学项目和见解——订阅以保持更新ML in Motion | 丹·皮特罗 | Substack原文发表于danpietrow.substack.com。