Вот так я изучаю ML

Сегодня я хочу поделиться с вами тем, как я изучаю новые вещи в ML, потому что я думаю, что это может помочь и вам. Эту стратегию я начал использовать 2 года назад, когда решил изучать Reinforcement Learning.

Необходимость постоянно учиться ML

Машинное обучение – увлекательная область, но в то же время сложная и быстро развивающаяся. Неважно, как много вы знаете сегодня, ваши навыки и опыт устареют быстрее, чем вы думаете.

Поначалу это может показаться обескураживающим. Но для меня это оказалось главной причиной, по которой я работаю в ML.

Волнение и радость, которые я испытываю, когда узнаю что-то новое, например

• новый язык программирования, например Rust
• новая библиотека, например Polars, или
• совершенно новая парадигма для создания приложений ML, например Large Language Models
• это то, что делает ML особенным для меня.
  
  И я чертовски уверен, что вы чувствуете то же самое.

Позвольте мне поделиться с вами рецептом, которому я следую, когда хочу освоить что-то новое в ML.

Обучение на основе проектов

Я строю свое обучение как проект. То есть я начинаю с того, что спрашиваю себя:

Какой проект я хочу создать с помощью этой новой вещи, которую я хочу изучить?

Когда вы отталкиваетесь от конечной цели, вы сохраняете концентрацию, не отвлекаетесь и узнаете тонны вещей довольно быстро.

Пример

Допустим, вы хотите освоить большие языковые модели (LLM). Хорошим первым проектом будет создание REST API для анализа настроений.

Когда вы начинаете свой путь обучения с четкой целью, вы переводите свой мозг в режим решения проблем. И вы начинаете задавать себе правильные вопросы:

• Где найти набор данных для обучения и оценки модели?
• Какая модель подходит для этой задачи?
• Как обернуть и развернуть свою модель в виде REST API?

Поэтому вы отправляетесь в Интернет и начинаете искать ответы. Поначалу вы чувствуете себя немного ошеломленным. Но в конце концов вы начинаете соединять точки и находить ответы на свои вопросы. Например,

• Набор данных? → Этот набор данных Amazon Review может стать хорошей отправной точкой.
• Модель? → Библиотека трансформеров Hugging Face предоставляет отличные модели для анализа настроений, которые вы можете использовать из коробки или даже доработать с помощью собственных данных, чтобы повысить их точность для вашей задачи.
• Развертывание? → AWS Lambda – популярная платформа для бессерверного развертывания, почему бы не попробовать?

Это строительные блоки вашего решения, которые вам нужно собрать воедино, чтобы стать чемпионом.

Но это сложный и тернистый путь.

Проектно-ориентированное обучение – это не простой путь, потому что для создания решения недостаточно иметь ингредиенты. Вам нужно запачкать руки и начать писать код, который превратит эти ингредиенты в ваш шедевр.

Этот этап полон взлетов и падений, маленьких побед и разочарований. И именно тогда происходит НАСТОЯЩЕЕ ОБУЧЕНИЕ.

Только когда вы сами боретесь и внедряете решения, вы учитесь. Все просто.

Мы – чемпионы, друзья мои.

Когда вы основываете свое обучение на настоящих проектах, вы получаете две вещи:

• Безмерную радость, когда вам удается преодолеть препятствия и завершить проект.
• Невероятное портфолио, которое вы сможете демонстрировать на собеседованиях и которое поможет вам выделиться из толпы.