ວຽກງານການຮຽນຮູ້ເຄື່ອງຈັກອັນດັບ ໜຶ່ງ
ເນື້ອຫາ
- ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນຫຍັງ?
- ອຸດສາຫະ ກຳ ນຳ ໃຊ້ເຄື່ອງຈັກຮຽນຮູ້
- ການຮຽນຮູ້ຂອງເຄື່ອງຈັກມີການປ່ຽນແປງບ່ອນເຮັດວຽກແນວໃດ
- ທ່ານຕ້ອງການອາຊີບໃນການຮຽນຮູ້ເຄື່ອງຈັກບໍ?
- ໃບຕາດີນງານແລະລາຍໄດ້
- ຄວາມຕ້ອງການ ສຳ ລັບວຽກງານການຮຽນຮູ້ຂອງເຄື່ອງຈັກ
ຢູ່ເທິງສຸດຂອງ LinkedIn's US Emerging Jobs Report ແມ່ນສອງອາຊີບໃນພາກສະ ໜາມ Machine Machine: ວິສະວະກອນຮຽນຮູ້ເຄື່ອງຈັກແລະນັກວິທະຍາສາດຂໍ້ມູນ. ການຈ້າງງານ ສຳ ລັບນັກວິສະວະກອນຮຽນຮູ້ເຄື່ອງຈັກໄດ້ເພີ່ມຂຶ້ນ 9,8 ເທື່ອໃນລະຫວ່າງປີ 2012 ແລະ 2017 ແລະວຽກງານວິທະຍາສາດຂໍ້ມູນເພີ່ມຂື້ນ 6,5 ເທົ່າໃນໄລຍະເວລາ 5 ປີດຽວກັນ. ຖ້າທ່າອ່ຽງຍັງສືບຕໍ່, ອາຊີບເຫຼົ່ານີ້ຈະມີທັດສະນະການຈ້າງງານເຊິ່ງເກີນກວ່າອາຊີບອື່ນໆອີກຫຼາຍຢ່າງ. ດ້ວຍອະນາຄົດທີ່ສົດໃສ, ວຽກໃນຂະ ແໜງ ນີ້ສາມາດ ເໝາະ ສົມກັບທ່ານບໍ?
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນຫຍັງ?
ການຮຽນຮູ້ເຄື່ອງຈັກ (ML) ແມ່ນສິ່ງທີ່ມັນຄ້າຍຄືກັບ. ເຕັກໂນໂລຢີນີ້ກ່ຽວຂ້ອງກັບການສິດສອນເຄື່ອງຈັກເພື່ອປະຕິບັດວຽກງານສະເພາະ. ບໍ່ຄືກັບການຂຽນລະຫັດແບບດັ້ງເດີມທີ່ໃຫ້ ຄຳ ແນະ ນຳ ທີ່ບອກຄອມພິວເຕີ້ໃຫ້ເຮັດຫຍັງ, ML ໃຫ້ຂໍ້ມູນທີ່ຊ່ວຍໃຫ້ພວກເຂົາຄິດອອກດ້ວຍຕົວເອງ, ຄືກັບວ່າມະນຸດຫລືສັດຈະເຮັດ. ສຽງຄ້າຍຄືກັບເວດມົນ, ແຕ່ມັນບໍ່ແມ່ນ. ມັນກ່ຽວຂ້ອງກັບການພົວພັນຂອງນັກວິທະຍາສາດຄອມພິວເຕີ້ແລະອື່ນໆດ້ວຍຄວາມ ຊຳ ນານທີ່ກ່ຽວຂ້ອງ. ຜູ້ຊ່ຽວຊານດ້ານໄອທີເຫລົ່ານີ້ສ້າງໂປແກຼມທີ່ເອີ້ນວ່າສູດການຄິດໄລ່ - ກົດລະບຽບທີ່ແກ້ໄຂບັນຫາແລະຫຼັງຈາກນັ້ນໃຫ້ພວກເຂົາຈັດເກັບຂໍ້ມູນຫຼາຍໆຊຸດທີ່ສອນໃຫ້ພວກເຂົາເຮັດການຄາດຄະເນໂດຍອີງໃສ່ຂໍ້ມູນນີ້.
ການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນ "ປັນຍາປະດິດທີ່ຊ່ວຍໃຫ້ຄອມພິວເຕີປະຕິບັດວຽກງານທີ່ພວກເຂົາບໍ່ໄດ້ຖືກ ກຳ ນົດໄວ້ຢ່າງຊັດເຈນວ່າຈະເຮັດ" (Dickson, Ben. ທັກສະທີ່ທ່ານຕ້ອງການທີ່ດິນວຽກຊອກຄົ້ນຫາເຄື່ອງຈັກ. ມັນຊອກຫາອາຊີບ. 18/1/2017.) ມັນໄດ້ຮັບຄວາມສັບສົນແລະມີລັກສະນະ ທຳ ມະດາ, ໃນຫລາຍປີທີ່ຜ່ານມາ, Steven Levy, ໃນບົດຂຽນທີ່ເວົ້າເຖິງບູລິມະສິດຂອງ Google ກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກແລະການຫວນຄືນວິສະວະກອນຂອງບໍລິສັດ, ຂຽນວ່າ,“ ເປັນເວລາຫຼາຍປີ, ການຮຽນຮູ້ເຄື່ອງໄດ້ຖືກພິຈາລະນາເປັນພິເສດ, ຈຳ ກັດ ກັບຈໍານວນຫນ້ອຍ elite. ຍຸກນັ້ນໄດ້ສິ້ນສຸດລົງ, ຍ້ອນວ່າຜົນໄດ້ຮັບໃນມໍ່ໆມານີ້ຊີ້ໃຫ້ເຫັນວ່າການຮຽນຮູ້ເຄື່ອງຈັກ, ຂັບເຄື່ອນດ້ວຍ "ເສັ້ນປະສາດທາງເທັກໂນໂລຢີ" ທີ່ເຮັດຕາມວິທີການເຮັດວຽກຂອງສະ ໝອງ ທາງຊີວະພາບ, ແມ່ນເສັ້ນທາງທີ່ແທ້ຈິງໄປສູ່ການສ້າງຄອມພິວເຕີ້ດ້ວຍ ອຳ ນາດຂອງມະນຸດ, ແລະໃນບາງກໍລະນີ, ມະນຸດ Super” ( Levy, Steven. ວິທີທີ່ Google ກຳ ລັງເອົາຕົວເອງອອກມາເປັນບໍລິສັດທີ່ຮຽນຮູ້ເຄື່ອງ ທຳ ອິດທີ່ມີສາຍໃນວັນທີ 22 ມິຖຸນາ 2016).
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກຖືກ ນຳ ໃຊ້ໃນ "ໂລກແທ້" ແນວໃດ? ພວກເຮົາສ່ວນໃຫຍ່ມາເບິ່ງເຕັກໂນໂລຢີນີ້ເປັນປະ ຈຳ ທຸກວັນໂດຍບໍ່ຄິດຫຍັງຫຼາຍ. ເມື່ອທ່ານໃຊ້ Google ຫຼືເຄື່ອງມືຄົ້ນຫາອື່ນ, ຜົນໄດ້ຮັບທີ່ຢູ່ເທິງສຸດຂອງ ໜ້າ ແມ່ນຜົນຂອງການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ຂໍ້ຄວາມທີ່ຄາດເດົາໄດ້, ພ້ອມທັງຄຸນລັກສະນະການກວດແກ້ທີ່ບໍ່ຖືກຕ້ອງບາງຄັ້ງ, ໃນແອັບ text ສົ່ງຂໍ້ຄວາມຂອງໂທລະສັບສະມາດໂຟນກໍ່ເປັນຜົນມາຈາກການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ຮູບເງົາແລະເພງທີ່ແນະ ນຳ ໃນ Netflix ແລະ Spotify ແມ່ນຕົວຢ່າງຕື່ມອີກກ່ຽວກັບວິທີທີ່ພວກເຮົາ ນຳ ໃຊ້ເຕັກໂນໂລຢີທີ່ເຕີບໃຫຍ່ຢ່າງໄວວານີ້ໃນຂະນະທີ່ບໍ່ສັງເກດເຫັນມັນ. ຫວ່າງມໍ່ໆມານີ້, Google ໄດ້ແນະ ນຳ Smart Reply ໃນ Gmail. ໃນຕອນທ້າຍຂອງຂໍ້ຄວາມ, ມັນນໍາສະເຫນີຜູ້ໃຊ້ທີ່ມີສາມຄໍາຕອບທີ່ເປັນໄປໄດ້ໂດຍອີງໃສ່ເນື້ອຫາ. ປະຈຸບັນບໍລິສັດ Uber ແລະບໍລິສັດອື່ນໆ ກຳ ລັງທົດລອງໃຊ້ລົດຂັບເອງ.
ອຸດສາຫະ ກຳ ນຳ ໃຊ້ເຄື່ອງຈັກຮຽນຮູ້
ການ ນຳ ໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄປຮອດໄກກວ່າໂລກເຕັກໂນໂລຢີ. SAS, ບໍລິສັດຊອບແວການວິເຄາະ, ລາຍງານວ່າຫຼາຍໆອຸດສາຫະ ກຳ ໄດ້ຮັບຮອງເອົາເຕັກໂນໂລຢີນີ້. ອຸດສາຫະ ກຳ ການບໍລິການດ້ານການເງິນໃຊ້ ML ເພື່ອ ກຳ ນົດໂອກາດການລົງທືນ, ແຈ້ງໃຫ້ນັກລົງທືນຮູ້ເວລາການຄ້າ, ຮັບຮູ້ວ່າລູກຄ້າຄົນໃດມີໂປແກຼມທີ່ມີຄວາມສ່ຽງສູງແລະກວດພົບການສໍ້ໂກງ. ໃນການເບິ່ງແຍງສຸຂະພາບ, ສູດການຄິດໄລ່ຊ່ວຍໃນການບົ່ງມະຕິພະຍາດຕ່າງໆໂດຍການເອົາຄວາມຜິດປົກກະຕິ.
ທ່ານເຄີຍຖາມ ຄຳ ຖາມທີ່ວ່າ "ເປັນຫຍັງການໂຄສະນາ ສຳ ລັບສິນຄ້ານັ້ນຂ້ອຍ ກຳ ລັງຄິດທີ່ຈະຊື້ສະແດງຢູ່ໃນທຸກໆ ໜ້າ ເວັບທີ່ຂ້ອຍໄປຢ້ຽມຢາມ?" ML ອະນຸຍາດໃຫ້ອຸດສາຫະ ກຳ ການຕະຫຼາດແລະການຂາຍສາມາດວິເຄາະຜູ້ບໍລິໂພກໂດຍອີງໃສ່ປະຫວັດການຊື້ແລະການຄົ້ນຫາຂອງພວກເຂົາ. ການປັບຕົວຂອງອຸດສາຫະ ກຳ ການຂົນສົ່ງຂອງເຕັກໂນໂລຢີນີ້ສາມາດກວດພົບບັນຫາທີ່ອາດເກີດຂື້ນໃນເສັ້ນທາງຕ່າງໆແລະຊ່ວຍເຮັດໃຫ້ພວກມັນມີປະສິດຕິພາບສູງຂື້ນ. ຂໍຂອບໃຈກັບ ML, ອຸດສາຫະ ກຳ ນ້ ຳ ມັນແລະອາຍແກັສສາມາດ ກຳ ນົດແຫຼ່ງພະລັງງານ ໃໝ່ (ການຮຽນຮູ້ເຄື່ອງຈັກ: ມັນແມ່ນຫຍັງແລະເປັນຫຍັງມັນຈຶ່ງ ສຳ ຄັນ).
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກມີການປ່ຽນແປງບ່ອນເຮັດວຽກແນວໃດ
ການຄາດເດົາກ່ຽວກັບເຄື່ອງຈັກທີ່ຮັບຜິດຊອບວຽກຂອງພວກເຮົາມາໄດ້ຫຼາຍທົດສະວັດແລ້ວ, ແຕ່ສຸດທ້າຍບໍລິສັດ ML ຈະເຮັດໃຫ້ມັນເປັນຈິງບໍ? ຜູ້ຊ່ຽວຊານຄາດຄະເນວ່າເຕັກໂນໂລຢີນີ້ມີແລະຈະສືບຕໍ່ປ່ຽນແປງບ່ອນເຮັດວຽກ. ແຕ່ເທົ່າທີ່ຈະເອົາວຽກຂອງພວກເຮົາໄປ ໝົດ ບໍ? ຜູ້ຊ່ຽວຊານສ່ວນໃຫຍ່ບໍ່ຄິດວ່າມັນຈະເກີດຂື້ນ.
ໃນຂະນະທີ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກບໍ່ສາມາດເອົາຕົວແທນຂອງມະນຸດໃນທຸກໆອາຊີບ, ມັນສາມາດປ່ຽນວຽກງານຫຼາຍຢ່າງທີ່ກ່ຽວຂ້ອງກັບພວກມັນ. Spice ແມ່ນຜູ້ ອຳ ນວຍການຝ່າຍສື່ສານທີ່ Carnegie Mellon ກ່າວວ່າ "ວຽກງານທີ່ກ່ຽວຂ້ອງກັບການຕັດສິນໃຈຢ່າງວ່ອງໄວໂດຍອີງໃສ່ຂໍ້ມູນແມ່ນ ເໝາະ ສົມ ສຳ ລັບໂປແກຼມ ML; ບໍ່ດັ່ງນັ້ນຖ້າການຕັດສິນໃຈແມ່ນຂື້ນກັບສາຍເຫດຜົນຍາວນານ, ຄວາມຮູ້ພື້ນຖານຄວາມຫຼາກຫຼາຍຫຼືຄວາມຮູ້ສຶກທົ່ວໄປ." ໂຮງຮຽນວິທະຍາສາດຄອມພິວເຕີຂອງມະຫາວິທະຍາໄລ (ເຄື່ອງເທດ, Byron. ການຮຽນຮູ້ເຄື່ອງຈັກຈະປ່ຽນວຽກ. ມະຫາວິທະຍາໄລ Carnegie Mellon. ວັນທີ 21 ທັນວາ 2017).
ໃນວາລະສານວິທະຍາສາດ, Erik Brynjolfsson ແລະ Tom Mitchell ຂຽນວ່າ, "ຄວາມຕ້ອງການແຮງງານມີແນວໂນ້ມທີ່ຈະຫຼຸດລົງ ສຳ ລັບວຽກງານທີ່ເປັນຕົວແທນທີ່ໃກ້ຊິດກັບຄວາມສາມາດຂອງ ML, ໃນຂະນະທີ່ມັນມີແນວໂນ້ມທີ່ຈະເພີ່ມຂື້ນ ສຳ ລັບວຽກງານທີ່ສົມບູນແບບ ສຳ ລັບລະບົບເຫຼົ່ານີ້ໃນແຕ່ລະຄັ້ງ ML. ລະບົບຂ້າມຜ່ານໃກ້ຈະມາເຖິງບ່ອນທີ່ມັນມີລາຄາຖືກກ່ວາມະນຸດໃນວຽກງານ, ຜູ້ປະກອບການແລະຜູ້ຈັດການ ກຳ ໄລສູງສຸດຈະຊອກຫາການປ່ຽນແທນເຄື່ອງຈັກ ສຳ ລັບຄົນ. ສິ່ງນີ້ສາມາດສົ່ງຜົນກະທົບໃນທົ່ວເສດຖະກິດ, ເພີ່ມ ກຳ ລັງການຜະລິດ, ຫຼຸດລາຄາ, ການຫັນປ່ຽນຄວາມຕ້ອງການແຮງງານ, ແລະການປັບໂຄງສ້າງອຸດສາຫະ ກຳ (Brynjolfsson, Erik ແລະ Mitchell, Tom. ການຮຽນຮູ້ຂອງເຄື່ອງຈັກສາມາດເຮັດຫຍັງໄດ້ແດ່? ຜົນສະທ້ອນດ້ານແຮງງານ. ວິທະຍາສາດ. ວັນທີ 22 ທັນວາ 2017).
ທ່ານຕ້ອງການອາຊີບໃນການຮຽນຮູ້ເຄື່ອງຈັກບໍ?
ອາຊີບໃນການຮຽນຮູ້ເຄື່ອງຈັກຮຽກຮ້ອງໃຫ້ມີຄວາມຊ່ຽວຊານດ້ານວິທະຍາສາດຄອມພິວເຕີ້, ສະຖິຕິ, ແລະຄະນິດສາດ. ປະຊາຊົນຈໍານວນຫຼາຍມາພາກສະຫນາມນີ້ມີພື້ນຖານໃນຂົງເຂດເຫຼົ່ານັ້ນ. ວິທະຍາໄລຫຼາຍແຫ່ງທີ່ສະ ເໜີ ຫຼັກສູດການຮຽນເຄື່ອງຈັກໃຊ້ວິທີການສອນທີ່ຫຼາກຫຼາຍດ້ວຍຫຼັກສູດທີ່ປະກອບມີ, ນອກ ເໜືອ ຈາກວິທະຍາສາດຄອມພິວເຕີ້, ວິສະວະ ກຳ ໄຟຟ້າແລະຄອມພິວເຕີ້, ຄະນິດສາດແລະສະຖິຕິ (ໂຮງຮຽນ 16 ແຫ່ງ ສຳ ລັບການຮຽນຮູ້ເຄື່ອງຈັກ AdmissionTable.com).
ສຳ ລັບຜູ້ທີ່ມີສ່ວນຮ່ວມໃນອຸດສະຫະ ກຳ ເຕັກໂນໂລຢີຂໍ້ມູນຂ່າວສານແລ້ວ, ການຫັນໄປສູ່ວຽກເຮັດງານ ທຳ ບໍ່ແມ່ນການກ້າວກະໂດດ. ທ່ານອາດຈະມີຫຼາຍທັກສະທີ່ທ່ານຕ້ອງການ. ນາຍຈ້າງຂອງທ່ານອາດຈະຊ່ວຍທ່ານໃນການປ່ຽນແປງນີ້. ອີງຕາມບົດຂຽນຂອງ Steven Levy, "ປະຈຸບັນບໍ່ມີຄົນທີ່ເປັນຜູ້ຊ່ຽວຊານໃນ ML ດັ່ງນັ້ນບໍລິສັດເຊັ່ນ Google ແລະ Facebook ກຳ ລັງທົບທວນວິສະວະກອນທີ່ມີຄວາມ ຊຳ ນານໃນລະຫັດປະເພນີ."
ໃນຂະນະທີ່ທັກສະຫຼາຍຢ່າງທີ່ທ່ານໄດ້ພັດທະນາເປັນຜູ້ຊ່ຽວຊານດ້ານໄອທີຈະໂອນໄປສູ່ການຮຽນຮູ້ເຄື່ອງຈັກ, ມັນອາດຈະເປັນສິ່ງທ້າທາຍເລັກນ້ອຍ. ຫວັງເປັນຢ່າງຍິ່ງ, ທ່ານໄດ້ຕື່ນຕົວໃນລະຫວ່າງຫ້ອງຮຽນສະຖິຕິວິທະຍາໄລຂອງທ່ານເພາະວ່າ ML ເພິ່ງພາຄວາມເຂົ້າໃຈຂອງຫົວຂໍ້ດັ່ງກ່າວ, ເຊັ່ນດຽວກັນກັບເລກ. Levy ຂຽນວ່ານັກຂຽນລະຫັດຕ້ອງມີຄວາມເຕັມໃຈທີ່ຈະປະຖິ້ມການຄວບຄຸມທັງ ໝົດ ທີ່ພວກເຂົາມີໃນການຂຽນໂປແກຼມລະບົບ.
ທ່ານບໍ່ໄດ້ອອກຈາກໂຊກຖ້ານາຍຈ້າງເຕັກໂນໂລຢີຂອງທ່ານບໍ່ສະ ໜອງ ML retraining Google ແລະ Facebook. ວິທະຍາໄລແລະມະຫາວິທະຍາໄລ, ພ້ອມທັງເວທີການຮຽນຮູ້ທາງອິນເຕີເນັດເຊັ່ນ Udemy ແລະ Coursera, ສະ ເໜີ ຊັ້ນຮຽນທີ່ສອນພື້ນຖານຂອງການຮຽນຮູ້ເຄື່ອງຈັກ. ມັນເປັນສິ່ງ ສຳ ຄັນທີ່ສຸດ, ເຖິງຢ່າງໃດກໍ່ຕາມ, ເພື່ອ ກຳ ນົດຄວາມຊ່ຽວຊານຂອງທ່ານໂດຍການຮຽນສະຖິຕິແລະຄະນິດສາດ.
ໃບຕາດີນງານແລະລາຍໄດ້
ຕຳ ແໜ່ງ ວຽກຕົ້ນຕໍທີ່ທ່ານຈະໄດ້ພົບໃນເວລາທີ່ຊອກຫາວຽກໃນຂະ ແໜງ ນີ້ປະກອບມີວິສະວະກອນການຮຽນຮູ້ເຄື່ອງຈັກແລະນັກວິທະຍາສາດຂໍ້ມູນ.
ນັກວິສະວະກອນຮຽນຮູ້ເຄື່ອງຈັກ "ດຳ ເນີນງານຂອງໂຄງການຮຽນຮູ້ເຄື່ອງຈັກແລະມີຄວາມຮັບຜິດຊອບໃນການຄຸ້ມຄອງພື້ນຖານໂຄງລ່າງແລະທໍ່ຂໍ້ມູນທີ່ ຈຳ ເປັນເພື່ອ ນຳ ເອົາລະຫັດໄປຜະລິດ." ນັກວິທະຍາສາດຂໍ້ມູນແມ່ນຢູ່ດ້ານຂໍ້ມູນແລະດ້ານການວິເຄາະຂອງການພັດທະນາລະບົບການຄິດໄລ່, ແທນທີ່ຈະຢູ່ຂ້າງລະຫັດ. ພວກເຂົາຍັງເກັບ ກຳ, ທຳ ຄວາມສະອາດແລະກະກຽມຂໍ້ມູນ (Zhou, Adelyn. "ໃບຍ້ອງຍໍວຽກເຮັດງານ ທຳ ຂອງປັນຍາປະດິດ: ນັກວິສະວະກອນຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຫຍັງ?" Forbes. ວັນທີ 27 ພະຈິກ 2017).
ອີງຕາມການຍື່ນສະ ເໜີ ຂອງຜູ້ໃຊ້ຈາກຜູ້ທີ່ເຮັດວຽກເຫຼົ່ານີ້, Glassdoor.com ລາຍງານວ່າວິສະວະກອນ ML ແລະນັກວິທະຍາສາດຂໍ້ມູນມີລາຍໄດ້ເງິນເດືອນພື້ນຖານສະເລ່ຍ 120,931 ໂດລາ. ເງິນເດືອນຕັ້ງແຕ່ຕ່ ຳ ຈາກ $ 87,000 ຫາສູງເຖິງ 158,000 ໂດລາ (ເງິນເດືອນຂອງເຄື່ອງຈັກຮຽນຮູ້ເຄື່ອງຈັກ. Glassdoor.com. ວັນທີ 1 ມີນາ 2018). ເຖິງແມ່ນວ່າ Glassdoor ຈັດກຸ່ມຫົວຂໍ້ເຫຼົ່ານີ້, ແຕ່ມັນມີຄວາມແຕກຕ່າງລະຫວ່າງພວກມັນ.
ຄວາມຕ້ອງການ ສຳ ລັບວຽກງານການຮຽນຮູ້ຂອງເຄື່ອງຈັກ
ວິສະວະກອນ ML ແລະນັກວິທະຍາສາດຂໍ້ມູນເຮັດວຽກທີ່ແຕກຕ່າງກັນ, ແຕ່ມີການຊໍ້າຊ້ອນກັນຫຼາຍລະຫວ່າງພວກມັນ. ການປະກາດຮັບສະ ໝັກ ຕຳ ແໜ່ງ ສຳ ລັບທັງສອງ ຕຳ ແໜ່ງ ມັກມີຄວາມຕ້ອງການຄ້າຍຄືກັນ. ນາຍຈ້າງຫຼາຍຄົນມັກປະລິນຍາຕີ, ປະລິນຍາໂທ, ຫຼືປະລິນຍາເອກດ້ານວິທະຍາສາດຄອມພິວເຕີຫລືວິສະວະ ກຳ ສາດ, ສະຖິຕິ, ຫລືຄະນິດສາດ.
ເພື່ອຈະເປັນຜູ້ຊ່ຽວຊານດ້ານການຮຽນຮູ້ເຄື່ອງຈັກ, ທ່ານຕ້ອງການຄວາມສາມາດດ້ານເຕັກນິກ - ການຮຽນຮູ້ທີ່ຮຽນຢູ່ໃນໂຮງຮຽນຫຼືໃນ ໜ້າ ວຽກ - ແລະທັກສະທີ່ອ່ອນໂຍນ. ທັກສະທີ່ອ່ອນແມ່ນຄວາມສາມາດຂອງຄົນຜູ້ ໜຶ່ງ ທີ່ພວກເຂົາບໍ່ໄດ້ຮຽນໃນຫ້ອງຮຽນ, ແຕ່ມັນກໍ່ເກີດມາພ້ອມກັບຫຼືໄດ້ມາຈາກປະສົບການໃນຊີວິດ. ອີກເທື່ອ ໜຶ່ງ, ມີການຊໍ້າຊ້ອນກັນລະຫວ່າງທັກສະທີ່ ຈຳ ເປັນ ສຳ ລັບວິສະວະກອນ ML ແລະນັກວິທະຍາສາດຂໍ້ມູນ.
ການປະກາດວຽກເປີດເຜີຍວ່າຜູ້ທີ່ເຮັດວຽກໃນວຽກດ້ານວິສະວະ ກຳ ML ຄວນຄຸ້ນເຄີຍກັບໂຄງຮ່າງການຮຽນຮູ້ຂອງເຄື່ອງຈັກເຊັ່ນ: TensorFlow, Mlib, H20 ແລະ Theano. ພວກເຂົາຕ້ອງການພື້ນຖານທີ່ເຂັ້ມແຂງໃນການເຂົ້າລະຫັດລວມທັງປະສົບການກັບພາສາການຂຽນໂປແກຼມເຊັ່ນ Java ຫຼື C / C ++ ແລະພາສາຂຽນເຊັ່ນ Perl ຫຼື Python. ຜູ້ຊ່ຽວຊານດ້ານສະຖິຕິແລະປະສົບການການ ນຳ ໃຊ້ໂປແກຼມໂປຼແກຼມສະຖິຕິເພື່ອວິເຄາະຂໍ້ມູນຊຸດໃຫຍ່ແມ່ນຍັງຢູ່ໃນລະດັບສະເພາະ.
ຄວາມຫລາກຫລາຍຂອງທັກສະອ່ອນໆຈະຊ່ວຍໃຫ້ທ່ານປະສົບຜົນ ສຳ ເລັດໃນດ້ານນີ້. ໃນບັນດາພວກມັນແມ່ນຄວາມຍືດຫຍຸ່ນ, ການປັບຕົວແລະຄວາມອົດທົນ. ການພັດທະນາລະບົບຄິດໄລ່ຕ້ອງມີການທົດລອງແລະຂໍ້ຜິດພາດຫຼາຍ, ແລະດັ່ງນັ້ນ, ຄວາມອົດທົນ. ຫນຶ່ງຕ້ອງທົດສອບສູດການຄິດໄລ່ເພື່ອເບິ່ງວ່າມັນເຮັດວຽກແລະຖ້າບໍ່, ພັດທະນາລະບົບ ໃໝ່.
ທັກສະການສື່ສານທີ່ດີເລີດແມ່ນ ຈຳ ເປັນ. ຜູ້ຊ່ຽວຊານດ້ານການຮຽນຮູ້ເຄື່ອງຈັກ, ເຊິ່ງມັກຈະເຮັດວຽກເປັນທີມ, ຕ້ອງການທັກສະໃນການຟັງ, ເວົ້າແລະທັກສະທີ່ດີກວ່າເກົ່າເພື່ອຮ່ວມມືກັບຄົນອື່ນ, ແລະຍັງຕ້ອງໄດ້ ນຳ ສະ ເໜີ ຜົນການຄົ້ນພົບໃຫ້ເພື່ອນຮ່ວມງານຂອງພວກເຂົາ. ນອກຈາກນັ້ນ, ພວກເຂົາຄວນຈະເປັນຜູ້ຮຽນທີ່ຫ້າວຫັນທີ່ສາມາດລວມເອົາຂໍ້ມູນ ໃໝ່ ເຂົ້າໃນວຽກຂອງພວກເຂົາ. ໃນອຸດສາຫະ ກຳ ໜຶ່ງ ທີ່ການປະດິດສ້າງມີຄຸນຄ່າ, ສິ່ງ ໜຶ່ງ ຕ້ອງມີຄວາມຄິດສ້າງສັນເພື່ອໂດດເດັ່ນ.
