Datorforskare Arthur Samuel är ryktad för att ha sagt att maskininlärning är en aspekt av hans fält som ger "datorer möjlighet att lära sig utan att uttryckligen programmeras". Därför anses maskininlärning också vara ett element av artificiell intelligens, eller AI, som handlar mer allmänt om hur datorer kan räkna ut saker för sig själva. I grunden är tanken att, med tanke på en bra uppsättning av startregler och möjligheter att interagera med data och situationer, kan datorer programmera sig eller förbättra de grundläggande programmen som tillhandahålls.
I början av 1980-talet hoppades datorerna omforma datorer och datorernas förmåga att förstå och interagera med världen. Det fanns en stor infusion av intresse, entusiasm och pengar vid den tiden, men AI förändrade inte världen som vi visste det då. Med tiden fann AI att den skulle vara lämplig för en relativt smal uppsättning beräkningsuppgifter, såsom att skapa livskraftiga konfigurationer för komplexa datorer. Men jag har inte satt världen i brand eller omdefinierad dess gränser och form.
Mer än 30 år senare har AI i allmänhet och maskininlärning en spektakulär renässans. Dessa tekniker används framgångsrikt för att hantera alla typer av intressanta problem inom datorer och har ett brett spektrum av framgångar. Anmärkningsvärda prestationer för maskininlärning inkluderar e-postfiltrering, intrångsdetektering, optiskt teckenigenkänning och datorvision. Maskininlärning och AI har visat sig vara ganska effektiva vid tillämpning av beräkningsstatistik för att använda dataanalys för att göra förutsägelser och spetstrender.
Eftersom vissa företag bygger eller använder teknik som använder maskininlärning och AI , det har varit stor efterfrågan på skickliga och kunniga forskare och utvecklare. Men om någonting förklarar en plötslig och kraftig uppsving i efterfrågan på sådana människor, är det den alltmer omfattande användningen av prediktiv analys på många områden. De flesta av Fortune 500 och många andra företag och organisationer utanför den veckan använder nu predictive analytics för att söka konkurrensfördelar eller förbättra sin övergripande förmåga att leverera varor och tjänster till kunder, kunder eller medborgare.
Personer som är utbildade i maskininlärning har nu en stor efterfrågan över hela sysselsättningsspektrumet. Det förklarar de sexfiguriga löner som alltmer är normen för dem som landar sådana jobb. Naturligtvis, för många som redan arbetar i IT eller som är på väg i den riktningen väcker det frågan om "hur kan jag få jobb i AI eller maskininlärning?" Svaren är enkla, om det är något arbetskrävande och tidskrävande.
Fältet är spännande för många som kanske också har en kandidatexamen i datavetenskap, teknik eller liknande disciplin under sina bälten. Faktum är att det är svårt att hitta ett välrenommerat forskarutbildat datavetenskapsprogram som inte inkluderar maskininlärning mitt i målfältet. Om du vill sträva efter stjärnorna för att ta färdvägen mot maskininlärning, rekommenderar jag att du antingen konsulterar Quoras tråd på de bästa forskarskolorna för maskininlärning eller US News & World Reports lista över bästa artificiella intelligens program som bra ställen att börja leta efter kandidatskolor.
För dem som inte kan bryta sig bort från livet och arbetet för att driva en heltid på campus, massivt öppna online-kurser, aka MOOCs, erbjuder en mängd olika alternativ. MOOCs kan omfatta aktuella examensprogram på välrenommerade universitet, certifikatprogram som ger gott om utbildning men ger inte en fullfjädrad grad eller utbildade läroplaner i maskininlärning eller AI som täcker marken på så mycket djup som man kanske vill lära ämnet.
En snabb sökning på maskininlärning vid MOOC-sökmotorn ger miljontals träffar som inkluderar följande:
Det finns ingen ersättning för att du rullar upp ärmarna och gräver in i utvecklingsarbetet om du verkligen vill förstå principerna för AI och maskininlärning. Förvänta sig att ägna dig åt musen och tangentbordet, eftersom du börjar små med leksaksdataset och grundläggande applikationer, jobba dig vidare till mer seriös, verklig problemlösning och lösningar. Kapstensprojektet för Microsoft Professional Programmet i datavetenskap (inte en grad) går till exempel i fyra veckor och utmanar dig att utveckla en lösning på en dataset med maskininlärning för att testa dina färdigheter.
Den som gräver i detta ämne borde förutse att man satsar uppåt 15 timmar i veckan på programmeringsuppgifter, förutom att delta i föreläsningar, slutföra läsuppgifter, skrivpapper och alla andra uppgifter som modern inlärning kräver av studenter idag.
När du har avslutat din examen, erhöll ditt certifikat eller slog av en betydande bit av läroplaner kan du börja positionera dig själv för nuvarande eller potentiella arbetsgivare som någon med kunskaper och kunskaper i maskininlärning och AI . Om du inte har plockat upp någon praktisk, verklig erfarenhet av att nå denna professionella milstolpe, förbli blygsam om dina färdigheter och förmågor på den här arenan. Varningar åt sidan, utsikterna för dem som kan se sig själva genom tiden, ansträngningarna och kostnaderna för att mastera maskininlärning och AI ska vara ljusa.
Om du har märkt att många av dina anställda är mindre än entusiastiska på jobbet och har varit underpresterande på senare tid, är det mycket troligt att du har ett olyckligt lag i dina händer. När du arbetar med låg moral är det viktigt att komma till roten till problemen och ta itu med dem så att dina anställda kan vara lyckliga och mest produktiva.
ÄR arbetstagarna bättre arbetstagare?
Möjligheten att arbeta hemifrån är inte längre bara en fördel för bara en handfull anställda, nya forskningsresultat. Telekommuting har faktiskt blivit vanligt i dagens teknikbelastade arbete miljö, enligt en Gallup-studie. Specifikt har antalet anställda som är eller har arbetat på en tid i sin karriär, arbetat minst en dag i månaden hemifrån, ökat med mer än 300 procent under de senaste 20 åren.