بطور کلی در دنیای علم داده ها ، مهندس یادگیری ماشین در 3 سطح طبقه بندی می‌شود و هر سطح شامل یکسری از مهارت ها می‌باشد. این 3 سطح را در ادامه با یکدیگر بصورت یکپارچه بررسی خواهیم کرد:

 

سطح اول)  مهندس یادگیری ماشین (جونیور)

تسلط بر مبانی اولیه علم داده ( آمار و احتمالات ، جبر خطی و ریاضیات برای یادگیری ماشین)

تسلط بر پاکسازی داده ها

تسلط بر مسائل طبقه بندی ، مسائل خوشه بندی

توانایی حل مسئله و ارائه راهکار های مختلف مبتنی بر داده

دارای قوه تفکر خلاق داده محور

قدرت بالا در برنامه نویسی

 

سطح دوم)  مهندس یادگیری ماشین (سنیور)

تسلط بر مبانی و مفاهیم شبکه های عصبی

تسلط بر یادگیری عمیق و یادگیری تقویتی

تسلط بر تکنیک های متن کاوی و وب کاوی

تسلط کاربردی بر پردازش زبان طبیعی

تسلط کاربردی بر پردازش تصویر

شناخت ابتدایی مفاهیم داده های بزرگ

پیاده سازی اولیه الگوریتم های یادگیری ماشین در فضای کلان داده ها

 

سطح سوم)  مهندس یادگیری ماشین (لیدر)

تسلط بر پیاده سازی تحلیل داده های عظیم به وسیله زبان های R و Python

تسلط بر داده های جریانی و یادگیری ماشینی آنلاین

تونایی حل و ارائه ایده پیرامون مسائل پیشرفته بینایی ماشین و شناسایی اشیا

توانایی کوچینگ و مدیریت تیم های یادگیری ماشین سازمان ها

 

پس با گذروندن یک دوره Python مهندس یادگیری ماشین نمی‌شوید!

 

به طور متوسط در هر سطح 64 ساعت آموزش خالص نیاز است تا شما به نقطه مطلوبی  برسید. فی المجموع 64 ساعت در 3 سطح معادل: 192 ساعت آموزش جامع برای مخاطب نیاز است. و این آموزش بدون 24 الی 32 ساعت درگیری با پروژه ها ذره ای فایده نخواهد داشت. پس 224 ساعت آموزش به همراه درگیری با پروژه های عملی نیاز دارید. (صرفا جهت اطلاع و من باب آگاه سازی)

 

اما

در شکل زیر مسیر جامع ، پیوسته و یکپارچه ای پیرامون هر 3 سطح فوق خواهید دید. در ادامه به بررسی شکل زیر و مسیر پیش رو می‌پردازیم:

 

مهندس یادگیری ماشین - علم داده

                   مسیر تربیت مهندس یادگیری ماشین

 

همان طور که مشخص است در 9 گام می‌توانید مهندس یادگیری ماشین شوید. (همون 224 ساعت)

 

۱- فراگیری مفاهیم اولیه علم داده ، چرایی آن و آینده پیش رو علم داده

۲- فراگیری مبانی اولیه جبرخطی برای علم داده، آمار و احتمالات برای علم داده و ریاضیات علم داده

۳- تسلط بر زبان های R و Python جهت تحلیل داده

۴- اخذ رایگان پروژه از سایت های بین الملی مانند Kaggle جهت ارزیابی مهارت های تحلیل داده

۵- آموختن مسائل و الگوریتم های یادگیری بدون ناظر

6- آموختن مسائل و الگوریتم های یادگیری با ناظر

7- آموختن کاربردی ابزارهای کلان داده جهت تحلیل مسائل یادگیری ماشینی

8- فراگیری یادگیری عمیق ، بینایی ماشین و پردازش زبان طبیعی

9- اخذ پروژه های واقعی Real World یادگیری ماشین و افزایش توانایی حل مسئله

9+1 تبریک! آماده برای ورود به یک دوره کاراموزی باشید.

 

خیلی مهمه که دوستان علاقه مند حوزه علم داده ، تارگت و جاب پوزیشن خود رو از قبل بررسی کرده باشند و بدونند که میخوان به کجا برسند. وظایف یک مهندس یادگیری ماشین با وظایف یک دانشمند داده کاملا تفکیک پذیر ، تعریف شده و مجزا خواهد بود. پس مسیر رو بشناسید. (جهت مطالعه مسیر دانشمند داده ، به این پست مراجعه کنید)

 

دقت کنید که

این ۲۲۴ ساعت تنها بخشی از مسیر بلند و پرهمت جهت تبدیل به یک دانشمند داده است. یعنی جهت تبدیل به دانشمند داده می‌بایستی ماژول های فوق را با موفقیت سپری کنید. امیدوارم عزیزان علاقه مند، آگاهانه در این موضوع رفتار کنند و با مطالعه و بدور از تصمیماتی ناشی از هیجانات لحظه ای وارد این حوزه بشند.

 

پ.ن اساسی:

پیرامون بند شماره 4 که سایت Kaggle ذکر شده است، در ۲ لینک زیر سایت هایی که در آن دیتاهای رایگان نیز قابل دسترس و بررسی هستند رو مرور کنید: ( یکی از آن ها Kaggle است)

 

https://t.me/mr_ie/1875

https://t.me/mr_ie/1858

 

در پست بعدی پیرامون منابع یادگیری ماشین صحبت خواهیم کرد.  با احترام – تجلی

درحال ارسال
امتیاز دهی کاربران
5 (5 رای)