克服程序员迁移到机器学习项目时面临的惊喜
传统程序员在开始进行机器学习（ML）开发项目时遇到了障碍。他们习惯于根据从需求，逻辑/规则得出的设计进行编码，当它们进入一种新的范式（其中从数据自动生成规则）时，他们会感到惊讶。在ML范例中，我们找不到任何输出代码，而看到的是称为生产模型的二进制对象形式的输出。您可能想知道如果不测量代码行数，如何对生产率和可交付成果的质量进行评估和评估。传统程序员需要花费一些时间来克服这些意外情况，并熟悉ML开发的新世界。
如今，IT公司宣传机器学习支持的软件产品和解决方案。这意味着过去已经使用过的现有软件现在突然被重新命名为新的机器学习流行语。为了生存，传统的程序员也应该经历重新组合的过程。机器学习是数据驱动的，数据是机器学习的动力。程序员接触了用作该程序输入的数据的模式定义。无需查看大型真实数据实例。但是，机器学习的发展始于收集大量数据。ML项目的可交付成果的质量取决于用于构建模型的数据量。高质量数据的数量越多，模型生成的输出的准确性就越高。机器从数据中学习，作为程序员，他们可以做出什么贡献？他们在哪里应用有关优化数据结构和编码技能的知识？在此博客中，让我们研究传统程序员迁移到ML世界时所面临的惊喜。
ML是一种对计算机进行编程并成为ML开发人员的成功的新方法，您不需要计算机科学或其他复杂的数学或技术学科的硕士或博士学位。在ML范例中，程序是根据过去创建的一些已知的期望输出生成的。传统Java程序员的专业知识是创建Core JAVA中可用的Frameworks提供的类的实例，并利用它们来实现设计中设想的逻辑。一个典型的例子是Java集合框架，它是类和接口的组合。当Java程序员使用collections框架的类时，他不需要了解这些类的实现细节。需要的专业知识是确定最合适的类和存储数据的接口。在大学期间，他可能在数据结构课程中研究了这些课程的实现。但是使用它们时，不需要了解如何在collections框架中实现它们。
在ML的开发范例中，情况几乎相同。机器学习开发的专业知识取决于合适算法的识别，一组API，函数和参数的选择。这些API用于优化，损失估计，激活，正则化等。ML算法的选择与在“链接列表”和“数组列表”之间进行选择以存储数据时所应用的逻辑相同。另一个必不可少的专业知识是超参数调整。开发人员无需对ML API中使用的逻辑的实现有清晰的了解，但他应该是在开发中使用它们的专家。对于传统程序员而言，很难理解在这些API中实现的机器学习算法的理论。但是，通过收听培训视频并获得少数在线机器学习课程的认证，可以获得有关这些算法的总体思路。有了这些知识，他将能够在ML开发项目中变得富有成效。该专业知识与他在Java集合框架中使用类的专业知识几乎相似。但是，机器学习API中实现的算法本质上是高度数学和统计的，对于传统的Java程序员来说，要完全理解它们是一个挑战。凭着奉献精神和奉献精神，传统的程序员可以在3到6个月的时间内提高ML开发项目的生产力。这个专业知识几乎与他使用Java集合框架中的类的专业知识相似。但是，机器学习API中实现的算法本质上是高度数学和统计的，对于传统的Java程序员来说，要完全理解它们是一个挑战。凭着奉献精神和奉献精神，传统的程序员可以在3到6个月的时间内提高ML开发项目的生产力。该专业知识与他在Java集合框架中使用类的专业知识几乎相似。但是，机器学习API中实现的算法本质上是高度数学和统计的，对于传统的Java程序员来说，要完全理解它们是一个挑战。凭着敬业和奉献精神，传统的程序员可以在3到6个月的时间内提高ML开发项目的生产力。
通过将ML应用于产品和解决方案，世界正在快速变化。准备从传统编程迁移到机器学习开发。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！