Введение
Работая в сфере науки о данных с 2016 года, я решил улучшить свои навыки в области облачных вычислений и машинного обучения в облаке. В настоящее время для специалиста по данным становится обязательным свободно работать с облачной платформой и переходить с локальной среды на облачную с минимальными усилиями. Я решил выбрать Профессиональный инженер по машинному обучению. Зная, что у Google есть большая экосистема инструментов машинного обучения, таких как Tensorflow, kubeflow, TPU и т. д., я решил извлечь выгоду из того, что уже знаю, и построить на его основе. Делюсь с вами своим скромным опытом, и надеюсь, он будет вам полезен, если вы решите сдавать экзамен.
Цели для достижения
Ниже вы найдете цели, которых я хотел достичь, пройдя онлайн-курсы и сдав сертификат. Я стремился получить как можно больше знаний, а затем подтвердить их с помощью сертификата.
- Будьте готовы использовать полученные знания и навыки в своей повседневной работе, когда я получу сертификат.
- Иметь возможность перемещать проекты из локального развертывания в облако
- Мониторинг моделей, проверка данных, непрерывное обучение и развертывание.
- Централизуйте все рабочие процессы машинного обучения от анализа до развертывания, используя минимальное количество инструментов
- лучшее понимание уровня 1 и уровня 2 автоматизации машинного обучения.
Стратегия обучения
Гугл курсы
Схема обучения инженера по машинному обучению, схема обучения разделена на 12 курсов, каждый из которых содержит видео, презентации, викторины и лабораторные работы, которые необходимо выполнить для завершения курса. Я потратил время, чтобы закончить все курсы, просматривая видео и делая заметки о каждой из концепций, которые я нашел полезными или которые я не понял. Это список курсов, упорядоченный по релевантности (объему знаний, которые я приобрел).
наиболее важные курсы:
- Google Cloud Большие данные и основы машинного обучения
- Как Google занимается машинным обучением
- TensorFlow в облаке Google
- Разработка функций
- Машинное обучение на предприятии
- Производственные системы машинного обучения
- MLOps (операции машинного обучения) Основы
- Конвейеры машинного обучения в Google Cloud
менее важные курсы:
- Запускаем машинное обучение
- Основы компьютерного зрения с Google Cloud
- Обработка естественного языка в Google Cloud
- Системы рекомендаций в Google Cloud
Книги
Является одной из лучших книг, которые я когда-либо читал. Его автором является г-н Валлиаппа Лакшманан, директор (глобальный руководитель) по аналитике данных и решениям искусственного интеллекта и один из основных участников курсов сертификации.
Автор берет концепции разработки программного обеспечения и шаблонов проектирования и распространяет их на машинное обучение и науку о данных. Он инкапсулирует распространенные методы машинного обучения в шаблоны проектирования, которые очень помогают запомнить, как и когда использовать определенную концепцию, с отличными примерами кода с использованием облачных инструментов Python и Google.
PS: вы можете просто сосредоточиться на видео и материалах, предоставленных Google, чтобы сдать сертификат, но книга будет большим плюсом.
Упражняться
Практические тесты Whizlabs — это набор из двух практических тестов, каждый из которых содержит 55 вопросов, похожих на реальные условия экзамена. Хороший прокси для оценки вашего уровня. Платформа хорошо сделана, и в конце каждого теста вы получите свой общий балл и отчет для анализа вашей работы и указания тем для обзора (см. Скриншот ниже). Чтобы сделать работу лучше, они дают вам ответы и объяснения на каждый вопрос, а также ссылку на официальный документ Google.
Whizlabs благодарит за отличный опыт. Это стоит денег, которые я заплатил, 15 $ с кодом скидки.
Тайм-менеджмент
Попытка совместить мое обучение с моей работой на полную ставку было непростой задачей, но мне удалось найти лучшие временные интервалы, чтобы продолжать учиться последовательно, поэтому я разделил свой день следующим образом:
- Утренняя теория: с 6:30 до 8:30, в это время я стараюсь получить как можно больше теоретических знаний. Я смотрю видео курсов, читаю презентации и делаю заметки на лету.
- Дневная практика: 1 час 30 минут на выполнение лабораторных работ, я мог выполнять одну или две лабораторные работы в день.
- Вечернее подведение итогов: 1 час 30 минут на очистку уже сделанных заметок и обогащение их тем, что я узнал из лабораторных работ.
Выходные: обзор того, что я сделал за всю неделю, и внимание к непонятым темам и концепциям.
Экзаменационный день
Вы получите 60 вопросов и 120 минут, чтобы закончить, что дает вам удобные 2 минуты на вопрос. У вас есть время, чтобы дважды прочитать вопрос и сделать мудрый выбор из множества предложенных вариантов. Ответы выглядят одинаково, и это может вас смутить, но вам нужно выбрать наиболее эффективный (быстрый прототип, экономичный, бессерверный, не изобретать велосипед, если есть API, который может выполнить эту работу).
Вам нужно будет ответить на вопросы о метриках классификации и регрессии, VertexAI — это унифицированное решение ML, у которого будет большая часть вопросов по этому поводу, а также BigQuery, который представляет собой бессерверную распределенную базу данных с возможностями ML, хорошо зная, что его возможности являются обязательными для теста.
Мой совет: не волнуйтесь, следите за своим временем и идите вперед. Не зацикливайтесь на вопросе, если вы чувствуете себя сбитым с толку, у вас будет время просмотреть свои ответы и исправить некоторые из них позже.
Заключение
Это был отличный опыт обучения с ценными знаниями, которые помогут вам выделиться среди других кандидатов, если вы будете искать новую работу. Кроме того, это даст вам больше доверия к вашей текущей роли, так что не стесняйтесь сделать прыжок. Вы будете гордиться своими достижениями и узнаете больше о методах и инструментах, которые сделают вашу повседневную работу более эффективной и комфортной.
Спасибо, что нашли время, чтобы прочитать мой скромный текст, пожалуйста, оставьте комментарий, если вы найдете его полезным или вам есть чем поделиться со мной. Удачи!
