¿Realmente vale la pena el tiempo de los nuevos científicos de datos para aprender el aprendizaje profundo?

Answer 1

Su valor depende de su perfil de toma de riesgos. Recuerde que las ganancias son proporcionales a los riesgos, por lo que si está considerando posiciones ‘ampliamente aplicadas por muchos’ o Google / Facebook, eso es simplemente una estrategia de reducción de riesgos de jugar de manera más segura al tratar de obtener un trabajo reconocido.

No hay nada de malo en eso, por supuesto, pero también debería hacer la pregunta si se contentará con escuchar pronto acerca de los tomadores de riesgos más agresivos que obtienen millones de las adquisiciones de aprendizaje rápido y profundo.

Con respecto a los recién llegados, pregúntese si todo lo que se anotó en la reciente ola de adquisiciones e inversiones de aprendizaje profundo es ‘personas que han estado en el campo durante mucho tiempo’. La respuesta es NO y ha habido relativamente nuevos recién llegados.

Gran parte de la emoción sobre el aprendizaje profundo proviene del hecho de que realmente no necesita 10,000 servidores y billones de puntos de datos para entrenar un modelo viable. Un recién llegado concentrado y dedicado puede comenzar a entrenar sus propios modelos con bastante rapidez, con una caja de $ 1–2K con una gran cantidad de RAM y una GPU potente.

Por ejemplo, para texto puede usar un modelo de incrustación de palabras ya disponible, o puede crear uno nuevo y poderoso a partir de Common Crawl. ¿Quién puede decir que en el futuro no se te ocurrirá algo nuevo en lo que nadie haya pensado antes?

Piense en la pregunta como comprar una opción en la que pagará con su tiempo y esfuerzo. Puede que valga la pena en el futuro, dependiendo de cuánto esfuerzo le dediques y de dónde vaya, incluso la suerte. Depende de usted si está dispuesto a hacer esa inversión inicial. E incluso si no obtiene ganancias financieras, será mejor que aprenda (muchas) cosas nuevas.

Silicon Valley tiene que ver con la detección de tales compensaciones oportunistas, donde la barra de entrada se ha movido hacia abajo, y el entusiasmo y la emoción aumentan. Aventureros emprendedores saltan a la refriega y cómo ‘ampliamente aplicado por muchos’ no está en sus mentes.

En resumen, la pregunta es realmente sobre el perfil de riesgo de la persona que lo hizo. La respuesta está en si están listos para aventurarse un poco de tiempo y esfuerzo para tener la oportunidad de obtener una gran victoria o si les gustaría jugar de manera más segura.

Answer 2

Eso es correcto, “simplemente no parece”.

No es necesario que aprendas un aprendizaje profundo a menos que eso sea lo que realmente quieres hacer en el futuro. El aprendizaje profundo no te hace un mejor científico de datos.

Las startups basadas en el aprendizaje profundo reciben millones durante sus rondas de semillas. Todo tipo de becas y programas de aceleración están disponibles para ellos. Hay un montón de nuevas empresas de aprendizaje profundo y todas ellas necesitan gente.

Por supuesto, nadie quiere a los recién llegados, porque los recién llegados en el aprendizaje profundo no pueden hacer nada . Conseguir un trabajo en puro aprendizaje profundo (y no en ingeniería de ML en general) es a) una cosa rara b) probablemente requiera que obtengas un doctorado o una experiencia cercana, porque de lo contrario no sabrás qué hacer.

Sin embargo, los salarios son muy altos. Y se mantendrán así porque la barra es alta, así que si eso es lo que quieres y si eso es lo que realmente sientes capaz de hacer, vale la pena.

Answer 3

No es necesario que sea un gran científico de datos. Hay tantos temas diferentes en la ciencia de datos que puedes elegir para enfocarte y trabajar en problemas notablemente interesantes.

¿Pero vale la pena el tiempo? Diría que depende de tu dominio y de los problemas en los que estés trabajando. Se está integrando en tantas industrias ahora y muchas de las que nunca habría pensado hace tan solo un par de años. Si no me crees, solo observa cómo este granjero japonés utilizó el aprendizaje profundo para ayudar a su familia a ordenar los pepinos (¡una tarea más difícil de lo que parece)! Cómo un cultivador de pepinos japonés utiliza el aprendizaje profundo y TensorFlow | Blog de Google Cloud Big Data y aprendizaje automático | Google Cloud Platform

Answer 4

Depende de tus objetivos futuros. Si desea ser un científico de datos en el futuro, debe mantenerse al día con las últimas tecnologías que se están desarrollando. Veo Deep Learning como otra herramienta en tu Data Science Toolbox. Úsalo cuando sea apropiado. No tienes que convertirte inmediatamente en un experto en ello, pero sabiendo que existe, tener una idea de cómo funciona y ser capaz de implementar un DNN básico con la ayuda de TensorFlow y Keras (o las herramientas que prefieras) es algo que hago. pensar en un futuro próximo se esperará de un Data Scientist.

La razón por la que “no parece que se aplique ampliamente” es que muchas empresas pequeñas no pueden aprovechar el poder del aprendizaje profundo, sin embargo, carecen de la gran cantidad de datos de capacitación etiquetados para que la mayoría de las tareas de LD se desempeñen bien (en Al menos tengo este problema a veces en la PNL). Por lo tanto, primero tienen que comenzar con técnicas que no se basan en gran medida en las cantidades masivas de datos necesarios y de esta forma crear su conjunto de datos de entrenamiento a través de métodos más simples como los clasificadores lineales. Una vez que lograron eso, están listos para lanzar DL en los conjuntos de datos. Y si usted es la persona en esa compañía que sabe más sobre DL que las otras, se le podría dar la oportunidad de experimentar con ella.

Answer 5

No La mayoría de los científicos de datos no utilizan el aprendizaje profundo en su trabajo diario.

Nadie espera que los científicos de datos junior o de nivel de entrada tengan experiencia en el desarrollo de modelos de aprendizaje profundo.

Manténgase en lo básico y aprenda el aprendizaje profundo ( si lo encuentra interesante ) después de obtener su primer trabajo. Habrá muchos trabajos de ciencia de datos que nunca requieren un aprendizaje profundo en el futuro previsible.