Γλώσσα προγραμματισμού & Deep Learning

[bahamut_zero]

και γιατι οχι και javascript τωρα που υποστηριζει tensorflow;

και γιατι οχι r που υποστηριζει keras;

Και οταν φτιαξεις εσυ το μοντελο σου, το production σε ποια γλωσσα θα γινει; Θελω να πω, αυτο που λενε και τα παιδια πιο επανω, μην κολλησεις με μια γλωσσα, μαθε την λογικη, τους αλγοριθμους, τα μαθηματικα που χρειαζονται, και η γλωσσα μετα ειναι ενα απλο εργαλειο.

Αν δεν δες να ανακαλυψεις τον τροχο, η python ειναι οτι πρεπει, και μετα η r, καθως εχουν τα παντα, και υποστηριζονται τοσο απο ακαδημαικους, οσο κι απο τις μεγαλυτερες εταιριες (google, microsoft πχ).

σε καθε περιπτωση, ξεκινα με αυτη που θα σου μαθουν στη σχολη, και μετα βλεπεις.

 

[mikezante]

Εγώ εχω να πω ότι στο Μαθηματικό (BS) μας «μάθανε»  Matlab και C. 

Στην Πληροφορική (MSc) μας «μάθανε» Java (μπλιαχ) και R.

Τελικά τη διατριβή μου, που ειναι πάνω σε Data anonymization, την κάνω σε Python την οποία «έμαθα» 10 φορες ταχύτερα απο τις προαναφερθείσες 😅

Δυο αλήθειες που ειπαν οι φιλοι απο πάνω:

1) Δώσε την ενεργειά σου στα μαθηματικά και μην αγχωνεσαι για της γλώσσες.

2) Ομολογώ οτι οι γνώσεις μου στις γλώσσες ειναι κατω του μετρίου

 

PS: Στην Py δεν μαθαίνεις γλώσσα, μαθαίνεις βιβλιοθήκες 

[Sot Wes]

Στις 6/10/2018 στις 8:21 ΜΜ, Asevastos είπε

Και να μαθαίνω τις δύο γλώσσες παράλληλα; Θα μπερδευτώ.

Το πλάνο μου ήταν να πιάσω μια γλώσσα που μου αρέσει και να τη δουλέψω ώστε να φτάσω σε ένα αξιοπρεπές επίπεδο. Παράλληλα, θέλω να βελτιωθώ σε Data Structs+Algorithms και να μάθω να χειρίζομαι Linux. Χώρια που θα ασχοληθώ με Deep Learning.

Μαζεύονται λίγο πολλά το να "παλεύω" δύο γλώσσες παράλληλα όταν δεν έχω φτάσει σε ικανοποιητικό επίπεδο σε καμία από τις δύο.

Σχετικά με αυτό που έγραψες για τους ML Scientists, κάπου είχε πιάσει το μάτι μου (στο Quora πρέπει να ΄ταν) ότι οι ML Engineers είναι σε μεγάλο βαθμό Software Engineers οπότε με παραξένεψε αυτό που έγραψες. 

Ο ML Scientist - ML Researcher - Research Scientist - "real" Data Scientist είναι ο άνθρωπος που κάνει cutting edge έρευνα ώστε να δημιουργήσει καινούριους αλγορίθμους και μεθοδολογίες. Δηλαδή το προϊόν που παράγει είναι η έρευνα. Ο ML Engineer είναι πρακτικά ένας software engineer που έχει πολύ καλές γνώσεις στατιστικής -  μαθηματικών. Για να γίνεις ML Engineer(MLE), πρέπει να έχεις είτε STEM background και να έχεις πολύ δυνατά software engineering skills, είτε να είσαι software engineer με πολύ δυνατή γνώση μαθηματικών. Συνήθως οι MLE παίρνουν τα μοντέλα των ερευνητών και τα κάνουν scale και deploy στο production, δηλαδή το πως θα αλληλεπιδρά το μοντέλο σου με την εφαρμογή. Υπάρχει και ο τίτλος του Applied Scientist, όπου είναι πρακτικά ένας Research Scientist με πολύ καλά software engineering skills, μιας και οι περισσότεροι ML Scientists δεν είναι τόσο δυνατοί στον προγραμματισμό. Για Research Scientist - Applied Scientist, ο συνήθης δρόμος είναι το PhD. Για τους MLE -  Data Scientists αρκεί το MSc. Ανέφερα στην αρχή τους "real" Data Scientists, καθώς πλέον στις περισσότερες εταιρείες Data Scientist = Data Analyst και όχι άτομα με βαθύ στατιστικό-μαθηματικό υπόβαθρο.