शीर्ष मशीन सीखना नौकरियां

विषय

• मशीन लर्निंग क्या है?
• मशीन लर्निंग का उपयोग करने वाले उद्योग
• कैसे मशीन सीखना कार्यस्थल बदल रहा है
• क्या आप मशीन लर्निंग में कैरियर चाहते हैं?
• नौकरी का शीर्षक और कमाई
• मशीन लर्निंग जॉब्स के लिए आवश्यकताएँ

लिंक्डइन के 2017 के शीर्ष पर यूएस इमर्जिंग जॉब्स रिपोर्ट मशीन लर्निंग क्षेत्र में दो व्यवसाय थे: मशीन लर्निंग इंजीनियर और डेटा साइंटिस्ट। मशीन लर्निंग इंजीनियरों के लिए रोजगार 2012 और 2017 के बीच 9.8 गुना बढ़ा और उसी पांच साल की अवधि में डेटा वैज्ञानिक नौकरियों में 6.5 गुना वृद्धि हुई। यदि रुझान जारी रहता है, तो इन व्यवसायों में रोजगार के दृष्टिकोण होंगे जो कई अन्य व्यवसायों से आगे निकल जाएंगे। इतने उज्ज्वल भविष्य के साथ, इस क्षेत्र में नौकरी करना आपके लिए सही हो सकता है?

मशीन लर्निंग क्या है?

मशीन लर्निंग (एमएल) सिर्फ यह लगता है कि क्या है। इस तकनीक में विशिष्ट कार्यों को करने के लिए शिक्षण मशीनें शामिल हैं। पारंपरिक कोडिंग के विपरीत, जो निर्देश देते हैं कि कंप्यूटर को क्या करना है, एमएल उन्हें डेटा प्रदान करता है जो उन्हें अपने दम पर यह पता लगाने देता है, जैसे कि एक इंसान या जानवर। जादू की तरह लगता है, लेकिन यह नहीं है। इसमें संबंधित विशेषज्ञता वाले कंप्यूटर वैज्ञानिकों और अन्य लोगों की सहभागिता शामिल है। ये आईटी पेशेवर एल्गोरिदम नाम के प्रोग्राम बनाते हैं- नियमों के समूह जो एक समस्या को हल करते हैं - और फिर उन्हें डेटा के बड़े सेटों को खिलाते हैं जो उन्हें इस जानकारी के आधार पर भविष्यवाणियां करना सिखाते हैं।

मशीन लर्निंग "कृत्रिम बुद्धिमत्ता का सबसेट है जो कंप्यूटरों को उन कार्यों को करने में सक्षम बनाता है जिन्हें वे स्पष्ट रूप से करने के लिए प्रोग्राम नहीं किए गए हैं" (डिक्सन, बेन। कौशल आपको एक मशीन सीखने की नौकरी की आवश्यकता है। यह कैरियर खोजक है। 18 जनवरी, 2017।) यह वर्षों से अधिक जटिल, फिर भी अधिक सामान्य हो गया है। स्टीवन लेवी, एक लेख में जो Google के मशीन सीखने की प्राथमिकता के बारे में बताता है और कंपनी के इंजीनियरों को फिर से शिक्षित करता है, लिखता है, "कई वर्षों से, मशीन सीखने को एक विशेष, सीमित माना जाता था। एक कुलीन वर्ग के लिए। वह युग समाप्त हो गया है, जैसा कि हाल ही के परिणामों से संकेत मिलता है कि मशीन लर्निंग, "न्यूरल नेट" द्वारा संचालित है जो जैविक मस्तिष्क को संचालित करने के तरीके का अनुकरण करता है, मनुष्यों की शक्तियों के साथ कंप्यूटर के पुनर्निर्माण के लिए सही रास्ता है, और कुछ मामलों में, सुपर मानव () लेवी, स्टीवन। कैसे गूगल एक मशीन लर्निंग फर्स्ट कंपनी वायर्ड के रूप में खुद को रिमेक कर रहा है। जून 22, 2016)।

मशीन का उपयोग "वास्तविक दुनिया" में कैसे किया जाता है? हम में से अधिकांश इस तकनीक के बारे में दैनिक आधार पर विचार किए बिना आते हैं। जब आप Google या किसी अन्य खोज इंजन का उपयोग करते हैं, तो पृष्ठ के शीर्ष पर आने वाले परिणाम मशीन सीखने का परिणाम होते हैं। प्रेडिक्टिव टेक्स्ट, साथ ही कभी-कभी आपके मोबाइल फोन के टेक्स्टिंग ऐप पर, कभी-कभी खराब आटोक्रॉरेक्ट फीचर भी मशीन सीखने का एक परिणाम होते हैं। नेटफ्लिक्स और स्पॉटिफ़ पर अनुशंसित फ़िल्में और गाने इस बात के और उदाहरण हैं कि कैसे हम इस तकनीक का तेजी से बढ़ते हुए प्रौद्योगिकी का उपयोग करते हैं और बमुश्किल इसे देख पाते हैं। अभी हाल ही में, Google ने Gmail में Smart Reply पेश किया। एक संदेश के अंत में, यह एक उपयोगकर्ता को सामग्री के आधार पर तीन संभावित उत्तरों के साथ प्रस्तुत करता है। उबर और अन्य कंपनियां वर्तमान में सेल्फ ड्राइविंग कारों का परीक्षण कर रही हैं।

मशीन लर्निंग का उपयोग करने वाले उद्योग

मशीन सीखने का उपयोग तकनीक की दुनिया से कहीं आगे तक पहुँच जाता है। एसएएस, एक विश्लेषणात्मक सॉफ्टवेयर कंपनी, रिपोर्ट करती है कि कई उद्योगों ने इस तकनीक को अपनाया है। वित्तीय सेवा उद्योग एमएल का उपयोग निवेश के अवसरों की पहचान करने के लिए करता है, निवेशकों को यह बताना चाहिए कि कब व्यापार करना है, कौन से ग्राहकों के पास उच्च जोखिम वाले प्रोफाइल हैं, और धोखाधड़ी का पता लगाएं। स्वास्थ्य देखभाल में, एल्गोरिदम असामान्यताओं को उठाकर बीमारियों का निदान करने में मदद करता है।

क्या आपने कभी यह सवाल पूछा है, "मैं उस उत्पाद के लिए एक विज्ञापन क्यों खरीद रहा हूं जिसे मैं हर उस वेब पेज पर दिखाने के बारे में सोच रहा हूं जिसे मैं देख रहा हूं?" एमएल विपणन और बिक्री उद्योग को उपभोक्ताओं को उनके खरीद और खोज इतिहास के आधार पर विश्लेषण करने की अनुमति देता है। इस उद्योग के परिवहन उद्योग का अनुकूलन मार्गों पर संभावित समस्याओं का पता लगाता है और उन्हें अधिक कुशल बनाने में मदद करता है। एमएल के लिए धन्यवाद, तेल और गैस उद्योग नए ऊर्जा स्रोतों (मशीन लर्निंग: व्हाट इट इज़ एंड व्हाई इट मैटर्स। एसएएस) की पहचान कर सकता है।

कैसे मशीन सीखना कार्यस्थल बदल रहा है

हमारे सभी कामों को करने वाली मशीनों के बारे में भविष्यवाणियों को दशकों से आस-पास है, लेकिन क्या एमएल आखिरकार इसे एक वास्तविकता बना देगा? विशेषज्ञ इस तकनीक का पूर्वानुमान लगाते हैं और कार्यस्थल में बदलाव करते रहेंगे। लेकिन जहाँ तक हमारे सारे काम छीन लिए गए हैं? ज्यादातर विशेषज्ञों को नहीं लगता कि ऐसा होगा।

हालांकि मशीन लर्निंग सभी व्यवसायों में मनुष्यों की जगह नहीं ले सकता है, यह उनके साथ जुड़े कई कार्य कर्तव्यों को बदल सकता है। बायरन स्पाइस के निदेशक मीडिया रिलेशंस के मीडिया के अनुसार, "कार्य पर डेटा के आधार पर त्वरित निर्णय लेने वाले कार्य एमएल कार्यक्रमों के लिए एक अच्छा फिट हैं; ऐसा नहीं है कि यदि निर्णय तर्क की लंबी श्रृंखला, विविध पृष्ठभूमि ज्ञान या सामान्य ज्ञान पर निर्भर करता है"। यूनिवर्सिटी के स्कूल ऑफ कंप्यूटर साइंस (स्पाइस, बायरन। मशीन लर्निंग विल चेंज जॉब्स। कार्नेगी मेलन यूनिवर्सिटी। 21 दिसंबर, 2017)।

साइंस मैगज़ीन में एरिक ब्रिंजोल्फसन और टॉम मिशेल लिखते हैं, "श्रम की मांग उन कार्यों के लिए गिरने की संभावना है जो एमएल की क्षमताओं के लिए करीबी विकल्प हैं, जबकि यह उन कार्यों के लिए बढ़ने की अधिक संभावना है जो इन प्रणालियों के लिए पूरक हैं। हर बार एक एमएल। सिस्टम उस सीमा को पार कर जाता है जहां यह एक कार्य पर मनुष्यों की तुलना में अधिक लागत प्रभावी हो जाता है, लाभ-लाभकारी उद्यमी और प्रबंधक तेजी से लोगों के लिए मशीनों की तलाश करेंगे। इसका पूरे अर्थव्यवस्था में प्रभाव हो सकता है, उत्पादकता बढ़ सकती है, कीमतें कम हो सकती हैं, श्रम मांग में कमी आ सकती है। और पुनर्गठन उद्योग (ब्रायनजॉल्फसन, एरिक और मिशेल, टॉम। मशीन लर्निंग क्या कर सकते हैं? कार्य के निहितार्थ। विज्ञान। 22 दिसंबर, 2017)।

क्या आप मशीन लर्निंग में कैरियर चाहते हैं?

मशीन लर्निंग में करियर के लिए कंप्यूटर विज्ञान, सांख्यिकी और गणित में विशेषज्ञता की आवश्यकता होती है। बहुत से लोग इस क्षेत्र में उन क्षेत्रों की पृष्ठभूमि के साथ आते हैं। कई कॉलेज जो मशीन लर्निंग में एक प्रमुख पेशकश करते हैं, वे एक पाठ्यक्रम के साथ बहु-विषयक दृष्टिकोण लेते हैं, जिसमें कंप्यूटर विज्ञान, इलेक्ट्रिकल और कंप्यूटर इंजीनियरिंग, गणित और सांख्यिकी (मशीन लर्निंग के लिए शीर्ष 16 स्कूल। AdmissionTable.com) शामिल हैं।

जो लोग पहले से ही सूचना प्रौद्योगिकी उद्योग में शामिल हैं, के लिए एक एमएल नौकरी में संक्रमण एक दूर की छलांग नहीं है। आपके पास पहले से ही कई कौशल हो सकते हैं जिनकी आपको आवश्यकता है। आपका नियोक्ता भी आपको यह परिवर्तन करने में मदद कर सकता है। स्टीवन लेवी के लेख के अनुसार, "वर्तमान में बहुत से ऐसे लोग नहीं हैं जो एमएल के विशेषज्ञ हैं, इसलिए Google और Facebook जैसी कंपनियां ऐसे इंजीनियरों को पीछे छोड़ रही हैं जिनकी विशेषज्ञता पारंपरिक कोडिंग में निहित है।"

जबकि एक आईटी पेशेवर के रूप में आपके द्वारा विकसित किए गए कई कौशल मशीन लर्निंग को हस्तांतरित करेंगे, यह थोड़ा चुनौतीपूर्ण हो सकता है। उम्मीद है, आप अपने कॉलेज के आँकड़े कक्षाओं के दौरान जागते रहे क्योंकि एमएल उस विषय की मजबूत समझ पर निर्भर करता है, साथ ही साथ गणित भी। लेवी लिखती है कि कोडर को सिस्टम पर प्रोग्रामिंग करने पर कुल नियंत्रण देने के लिए तैयार होना पड़ता है।

यदि आपका तकनीकी नियोक्ता ML को Google और Facebook को वापस नहीं दे रहा है, तो आप भाग्य से बाहर नहीं हैं। कॉलेजों और विश्वविद्यालयों, साथ ही उदमी और कुसेरा जैसे ऑनलाइन शिक्षण प्लेटफार्मों, उन कक्षाओं की पेशकश करते हैं जो मशीन सीखने की मूल बातें सिखाते हैं। हालांकि, सांख्यिकी और गणित कक्षाएं लेकर अपनी विशेषज्ञता को पूरा करना महत्वपूर्ण है।

नौकरी का शीर्षक और कमाई

जब आप इस क्षेत्र में नौकरी की तलाश में आएंगे तो प्राथमिक नौकरी के शीर्षक में मशीन लर्निंग इंजीनियर और डेटा वैज्ञानिक शामिल होंगे।

मशीन लर्निंग इंजीनियर "मशीन लर्निंग प्रोजेक्ट के संचालन को चलाते हैं और उत्पादन के लिए कोड लाने के लिए आवश्यक बुनियादी ढांचे और डेटा पाइपलाइन के प्रबंधन के लिए जिम्मेदार हैं।" डेटा वैज्ञानिक कोडिंग पक्ष के बजाय एल्गोरिदम विकसित करने के डेटा और विश्लेषण पक्ष पर हैं। वे डेटा को इकट्ठा, साफ और तैयार भी करते हैं (झोउ, एडिलेन। "आर्टिफिशियल इंटेलिजेंस जॉब टाइटल: व्हाट इज ए मशीन लर्निंग इंजीनियर?" फोर्ब्स। 27 नवंबर, 2017)।

इन नौकरियों में काम करने वाले लोगों के उपयोगकर्ता सबमिशन के आधार पर, Glassdoor.com की रिपोर्ट है कि एमएल इंजीनियर और डेटा वैज्ञानिक $ 1203131 का औसत आधार वेतन कमाते हैं। वेतन $ 87,000 से कम $ 158,000 के उच्च स्तर तक होता है (मशीन लर्निंग इंजीनियर वेतन। Glassdoor.com 1 मार्च 2018)। हालाँकि ग्लासडोर इन शीर्षकों का समूह बनाते हैं, लेकिन उनके बीच कुछ मतभेद हैं।

मशीन लर्निंग जॉब्स के लिए आवश्यकताएँ

एमएल इंजीनियर और डेटा वैज्ञानिक अलग-अलग काम करते हैं, लेकिन उनके बीच बहुत अधिक ओवरलैप है। दोनों पदों के लिए नौकरी की घोषणाओं में अक्सर समान आवश्यकताएं होती हैं। कई नियोक्ता कंप्यूटर विज्ञान या इंजीनियरिंग, सांख्यिकी, या गणित में स्नातक, मास्टर या डॉक्टरेट की डिग्री पसंद करते हैं।

मशीन सीखने वाले पेशेवर होने के लिए, आपको तकनीकी कौशल- स्कूल में या नौकरी पर सीखे जाने वाले कौशल और नरम कौशल के संयोजन की आवश्यकता होगी। सॉफ्ट स्किल्स एक ऐसी क्षमता है जो वे कक्षा में नहीं सीखते हैं, बल्कि जीवन के अनुभव के साथ पैदा होते हैं या हासिल करते हैं। फिर से, एमएल इंजीनियरों और डेटा वैज्ञानिकों के लिए आवश्यक कौशल के बीच ओवरलैप का एक बड़ा सौदा है।

नौकरी की घोषणाओं से पता चलता है कि एमएल इंजीनियरिंग की नौकरियों में काम करने वालों को मशीन लर्निंग फ्रेमवर्क जैसे टेंसोरफ्लो, मालिब, एच 20 और थीनो से परिचित होना चाहिए। उन्हें कोडिंग में एक मजबूत पृष्ठभूमि की आवश्यकता होती है जिसमें जावा या सी / सी ++ जैसी प्रोग्रामिंग भाषाओं के साथ अनुभव और पर्ल या पायथन जैसी स्क्रिप्टिंग भाषाओं की आवश्यकता होती है। आंकड़ों के बड़े सेटों का विश्लेषण करने के लिए सांख्यिकीय सॉफ्टवेयर पैकेजों का उपयोग करके आंकड़ों और अनुभव में विशेषज्ञता भी विशिष्टताओं में से हैं।

विभिन्न प्रकार के नरम कौशल आपको इस क्षेत्र में सफल होने की अनुमति देंगे। उनमें लचीलापन, अनुकूलन क्षमता और दृढ़ता शामिल हैं। एक एल्गोरिथ्म को विकसित करने के लिए बहुत परीक्षण और त्रुटि की आवश्यकता होती है, और इसलिए, धैर्य। यह देखने के लिए एक एल्गोरिथ्म का परीक्षण करना चाहिए कि क्या यह काम करता है और यदि नहीं, तो एक नया विकास करें।

उत्कृष्ट संचार कौशल आवश्यक हैं। मशीन सीखने वाले पेशेवर, जो अक्सर टीमों पर काम करते हैं, उन्हें दूसरों के साथ सहयोग करने के लिए बेहतर सुनने, बोलने और पारस्परिक कौशल की आवश्यकता होती है, और अपने सहयोगियों को अपने निष्कर्ष भी प्रस्तुत करने होंगे। इसके अलावा, उन्हें सक्रिय शिक्षार्थी होना चाहिए जो अपने काम में नई जानकारी शामिल कर सकते हैं। एक उद्योग में जहां नवाचार को महत्व दिया जाता है, किसी को उत्कृष्टता के लिए रचनात्मक होना चाहिए।