Как стать специалистом в ComputerVision и не стать вечным студентом
HTML-код
- Опубликовано: 1 окт 2024
- Описал путь в ComputerVision который мне кажется оптимальным
Прошлое видео - • Где в Computer Vision ...
Больше моих статей можно найти тут - cvml_team
Дублирую сюда - t.me/CVML_team
И не забывайте подписываться на LinkedIn - / anton-maltsev-037a5684
Не до конца согласен с позицией насчет курсов. Все-таки, если ты только начинаешь свой путь, лучше начать с какого-то курса, чтобы получить общее представление об области, понять какие-то базовые принципы, основные приемы построения архитектур. И когда вот эти базовые знания получены, самое время начать переключаться на решение практических задач
@@konstantinsamodurov436 Отчасти могу согласиться с этим. Некоторые компании проводят курсы по ML, окончив которые можно попасть на стажировку за денюжку
Если ты выпускник топового технического вуза РФ (МФТИ, МГУ, ВШЭ, МИФИ, Бауманка и пр.), шансов попасть в такую компанию выше. Но если ты не учился на CS направление, твои шансы попасть в такую команду ниже. Помимо этого есть внутренняя конкуренция среди ребят, что-то должно тебя выделять на фоне других. Например, если у тебя есть представления о доменной области, какие-то базовые навыки программирования - это конкурентное преимущество
Возможно, вы слышали про накрутку опыта в резюме - она взялась не с пустого места. Проблема в высоком конкурсе выше
Помимо этого, чтобы заниматься ML нужно попасть в ML команду с ML задачами, иначе так и будешь прогером (решается только проблема опыта)
А если ты уже достаточно давно закончил вуз, то путь выше для тебя просто закрыт
@@konstantinsamodurov436 помимо этого пробуясь на DL позицию, как это не удивительно, вас будут спрашивать DL. Курс - это наипростейший способ получить БАЗОВЫЕ СТРУКТУРИРОВАННЫЕ знания об области за короткий срок. Другой вопрос, насколько этот курс будет хорош
sql на степик или amigoscode канале + pgexercises, поколение python - степик + ООП Олег Молчанов + грокаем алгоритмы + книга пайтон лучшие практики, высшая математика для гуманитарных направлений Седых + mml book для понимания англ терминов и разложения матриц, grokking machine learning + mlcourse + approaching almost any almost ML problem, grokking deep learning + dlcourse и потом как можно больше kaggle и своих pet-проектов - вот вам конкретный план обучения, пользуйтесь на здоровье
Ёще selfedu есть канал. Там и матан и нейронки. Один из лучших в рунете
Спасибо тебе за то, что делишься своим опытом.
Вы не могли бы сказать (или снять видео) о конкретных сообществах, в которых вы участвуете, как на русскоязычных, так и на англоязычных?
Полностью согласен. Изучу чисто для себя.
Не согласен насчет курсов - курсы тоже по своем полезны.
Например?
Полностью согласен про опыт и практику
Спасибо, было очень полезно!
Где таймкоды?
Спасибо за опыт!
Сейчас глупый вопрос спрошу, Вы уж извините.
Deep Learning в основном применяется в обработке изображений, звука и больших текстов? Или его можно использовать в других областях? Например, рекомендательные системы, системы финансовых, спортивных прогнозов, поиск скрытых закономерностей в табличных данных. В гугле я искала, но хотелось услышать ответ, так сказать из первых рук. Спасибо.
Вопрос определений. Смотря что вы подразумеваете под Deep Learning.
Ну на самом деле, если сильно захотеть, то Deep Learning можно впихнуть почти в любую задачу. Тут основные вопросы в том, а надо ли это делать и в чем вообще цель состоит? Антон действительно верно подметил, что под Deep Learning можно много чего подразумевать. Поэтому, для начала, вам стоило бы ознакомиься с данной областью побольше (если оно вам действительно необходимо) и сформировать свое собственное понимание сути происходящего.
Самого главного не сказал, чем сейчас должен обладать начинающий!! специалист по мнению HR: опытом 3-6 лет. Такие времена. В целом видео классное, по делу.
Ссылочки бы на эти ресурсы
Хотя бы на часть
И спасибо за видео)
По тому где оставаться в курсе текущих трендов:
vk.com/deeplearning
www.reddit.com/r/MachineLearning/
По сообществам
vk.com/mltrainings - тренировки по ml
ods.ai/ - ODS (там же завтраки можно найти)
Прочее
кагл - www.kaggle.com/
фаст.эйай - www.fast.ai/