¿Cómo debe un aspirante a ingeniero de aprendizaje automático equilibrar escribir código con leer documentos y libros en el campo?

Taff pregunta. ¿Quieres tener una carrera como la mía? Te puedo recomendar lo siguiente:

  • Pase sus 4–6h de tiempo libre cada semana haciendo cursos o libros de curso / udacity. Asegúrese de terminar la mayoría de los más importantes (en el orden recomendado)

* https://www.coursera.org/learn/m…

* https://www.udacity.com/course/d…
* https://www.coursera.org/course/…

* http://cs231n.github.io/
* https://www.coursera.org/course/pgm
* https://www.youtube.com/watch?v=…
* http://www.deeplearningbook.org/

  • Lea los documentos TOP10 de cada conferencia principal (NIPS e ICML), resúmenes de los documentos TOP50 de ellos. Quédese en una comunidad que lo inspire a leer los documentos más recientes de arxiv (como un ML de Reddit o grupos internos en compañías de TI)
  • Trabaje en los proyectos reales durante tanto tiempo o busque educación oficial (BS, MS, PhD, PostDoc) durante su tiempo de negocios (40h a la semana). El tipo de proyecto depende de su nivel de habilidades -> Código abierto (Principiante) / Ingeniería relacionada con ML (Intermedio como yo) / Investigador (Avanzado)

Como ingeniero, la atención debe centrarse en trabajar en problemas prácticos en lugar de leer documentos teóricos.

Sí, leer es bueno, y creo que todos en este campo necesitan hacer algo, pero hay una gran diferencia entre ser un ingeniero de aprendizaje automático y un científico de aprendizaje automático.

Lo equilibraría así: trabaje en problemas del mundo real la mayor parte del tiempo y revise material de aprendizaje, como cursos en línea y documentos académicos, siempre que considere que lo ayudará a progresar y mejorar. Por supuesto, si te encanta leer mucho, no hay nada de malo en eso, pero debes ensuciarte las manos si quieres ser ingeniero.

En mi opinión, el Ingeniero de Aprendizaje Automático está relacionado con la Ingeniería de Software, donde codificará cosas vinculadas al Aprendizaje Automático. Si bien la lectura de documentos y la realización de cursos teóricos de Coursera son para investigadores más específicamente, los investigadores hacen cosas nuevas y lo envían al ingeniero de Machine Learning para llevar a cabo la tarea en el trabajo real, es decir, desde el papel hasta la aplicación. Pero como ingeniero de ML, definitivamente le gustaría mantenerse al día con el mercado al tener un conocimiento adicional de los últimos artículos.