Top Machine Learning Jobs

Innehåll

• Vad är maskininlärning?
• Branscher som använder maskininlärning
• Hur maskininlärning förändrar arbetsplatsen
• Vill du ha en karriär inom maskininlärning?
• Jobbtitlar och intäkter
• Krav på jobb för maskininlärning

Längst upp i LinkedIns amerikanska rapport om nya jobb 2017 var två yrken inom maskininlärningsfältet: Machine Learning Engineer och Data Scientist. Sysselsättningen för maskininlärningsingenjörer ökade med 9,8 gånger mellan 2012 och 2017 och datavetare jobb ökade 6,5 gånger under samma femårsperiod. Om trenden fortsätter kommer dessa yrken att ha sysselsättningsutsikter som överträffar många andra yrken. Med en framtid så ljus, kan ett jobb inom detta område vara rätt för dig?

Vad är maskininlärning?

Maskininlärning (ML) är precis som det låter som. Denna teknik involverar undervisningsmaskiner för att utföra specifika uppgifter. Till skillnad från traditionell kodning som ger instruktioner som berättar datorer vad de ska göra, förser ML dem med data som låter dem räkna ut det på egen hand, precis som en människa eller ett djur skulle göra. Låter som magi, men det är det inte. Det handlar om samverkan mellan datavetare och andra med relaterad expertis. Dessa IT-proffs skapar program som kallas algoritmer - uppsättningar av regler som löser ett problem - och matar dem sedan stora uppsättningar data som lär dem att göra förutsägelser baserade på denna information.

Maskininlärning är en "delmängd av konstgjord intelligens som gör det möjligt för datorer att utföra uppgifter som de inte uttryckligen har programmerats för att göra" (Dickson, Ben. Skills You Need to Land a Machine Learning Job. It Career Finder. 18 januari 2017.) Det har blivit mer komplicerat, men ännu vanligare, genom åren. Steven Levy, i en artikel som talar till Googles prioritering av maskininlärning och omskolning av företagets ingenjörer, skriver "I många år betraktades maskininlärning som en specialitet, begränsad till en elit få. Den eran är över, eftersom de senaste resultaten tyder på att maskininlärning, som drivs av "nervnät" som emulerar hur en biologisk hjärna fungerar, är den verkliga vägen mot att bygga datorer med människans krafter, och i vissa fall supermänskor ”( Levy, Steven. Hur Google gör om sig själv som en maskinlärande första företaget Wired. 22 juni 2016).

Hur används maskininlärning i den "verkliga världen?" De flesta av oss stöter på denna teknik dagligen utan att tänka på den. När du använder Google eller en annan sökmotor är resultaten som kommer upp överst på sidan resultatet av maskininlärning. Den prediktiva texten, såväl som den ibland felaktiga autokorrigeringsfunktionen i din smarta telefons textapp, är också ett resultat av maskininlärning. Rekommenderade filmer och låtar på Netflix och Spotify är ytterligare exempel på hur vi använder den snabbt växande tekniken medan vi knappt märker den. På senare tid introducerade Google Smart Answer i Gmail. I slutet av ett meddelande ger det en användare tre möjliga svar baserade på innehållet. Uber och andra företag testar för närvarande självkörande bilar.

Branscher som använder maskininlärning

Användningen av maskininlärning når långt bortom den tekniska världen. SAS, ett analytiskt mjukvaruföretag, rapporterar att många branscher har använt denna teknik. Finanssektorn använder ML för att identifiera investeringsmöjligheter, låta investerare veta när de ska handla, erkänna vilka kunder som har högriskprofiler och upptäcker bedrägerier. I sjukvården hjälper algoritmer att diagnostisera sjukdomar genom att plocka upp onormaliteter.

Har du någonsin ställt frågan, "varför kommer en annons för den produkten jag tänker köpa att dyka upp på varje webbsida jag besöker?" ML tillåter marknadsförings- och försäljningsindustrin att analysera konsumenter baserat på deras köp- och sökhistorik. Transportindustrins anpassning av denna teknik upptäcker potentiella problem på rutter och bidrar till att göra dem mer effektiva. Tack vare ML kan olje- och gasindustrin identifiera nya energikällor (Machine Learning: What it Is and Why It Matters. SAS).

Hur maskininlärning förändrar arbetsplatsen

Förutsägelser om maskiner som tar över alla våra jobb har funnits i decennier, men kommer ML äntligen att göra det verklighet? Experter förutspår att denna teknik har och kommer att fortsätta att förändra arbetsplatsen. Men när det gäller att ta bort alla våra jobb? De flesta experter tror inte att det kommer att hända.

Även om maskininlärning inte kan ta plats för människor i alla yrken, kan det ändra många av de arbetsuppgifter som är förknippade med dem. "Uppgifter som involverar att fatta snabba beslut baserade på data passar bra för ML-program; inte så om beslutet beror på långa kedjor av resonemang, olika bakgrundskunskaper eller sunt förnuft", säger Byron Spice. Spice är chef för medierelationer på Carnegie Mellon University's School of Computer Science (Spice, Byron. Maskininlärning kommer att förändra jobb. Carnegie Mellon University. 21 december 2017).

I Science Magazine, Erik Brynjolfsson och Tom Mitchell, skriver "arbetskraftsbehovet är mer troligt att falla för uppgifter som är nära ersättare för ML: s kapacitet, medan det är mer troligt att öka för uppgifter som kompletterar dessa system. Varje gång en ML systemet korsar tröskeln där det blir mer kostnadseffektivt än människor på en uppgift, kommer vinstmaksimerande företagare och chefer i allt högre grad att försöka ersätta maskiner för människor.Detta kan ha effekter i hela ekonomin, öka produktiviteten, sänka priserna, förändra efterfrågan på arbetskraft, och omstruktureringsindustrier (Brynjolfsson, Erik och Mitchell, Tom. Vad kan maskininlärning göra? Arbetskraftsimplikationer. Vetenskap. 22 december 2017).

Vill du ha en karriär inom maskininlärning?

Karriärer inom maskininlärning kräver expertis inom datavetenskap, statistik och matematik. Många människor kommer till detta fält med en bakgrund i dessa fält. Många högskolor som erbjuder en huvudsak inom maskininlärning tar ett tvärvetenskapligt tillvägagångssätt med en läroplan som förutom datavetenskap, elektroteknik och datateknik, matematik och statistik (Top 16 Schools for Machine Learning. AdmissionTable.com).

För de som redan är involverade i informationsteknologibranschen är övergången till ett ML-jobb inte ett långt språng. Du kanske redan har många av de färdigheter du behöver. Din arbetsgivare kan till och med hjälpa dig att göra denna övergång. Enligt Steven Levys artikel "för närvarande finns det inte många människor som är experter på ML så att företag som Google och Facebook omskolar ingenjörer vars expertis ligger i traditionell kodning."

Även om många av de färdigheter du utvecklade som IT-professionell kommer att överföra till maskininlärning, kan det vara lite utmanande. Förhoppningsvis stannade du vaken under din college statistik klasser eftersom ML förlitar sig på ett starkt grepp om det ämnet, liksom matematik. Levy skriver att kodarna måste vara villiga att ge upp den totala kontrollen de har för att programmera ett system.

Du har inte lycka till om din tekniska arbetsgivare inte tillhandahåller ML-omskolning som Google och Facebook är. Högskolor och universitet, liksom online-inlärningsplattformar som Udemy och Coursera, erbjuder klasser som lär grunderna i maskininlärning. Det är emellertid avgörande att runda ut din expertis genom att ta statistik och matematik klasser.

Jobbtitlar och intäkter

De primära jobbtitlarna du kommer att stöta på när du letar efter ett jobb inom detta område inkluderar maskininlärningsingenjör och datavetare

Maskininlärningsingenjörer "driver verksamheten i ett maskininlärningsprojekt och ansvarar för att hantera infrastrukturen och datapipelines som behövs för att föra kod till produktion." Datavetare är på data- och analyssidan för att utveckla algoritmer snarare än den kodande sidan. De samlar också in, städar och förbereder data (Zhou, Adelyn. "Jobbtitlar för artificiell intelligens: Vad är en maskininlärningsingenjör?" Forbes. 27 november 2017).

Baserat på inlämningar från användare som arbetar i dessa jobb rapporterar Glassdoor.com att ML-ingenjörer och datavetare tjänar en genomsnittlig baslön på $ 120 931. Lönerna sträcker sig från ett lågt belopp på $ 87.000 till högt på $ 158.000 (Machine Learning Engineer Salaries. Glassdoor.com. 1 mars 2018). Även om Glassdoor grupperar dessa titlar finns det vissa skillnader mellan dem.

Krav på jobb för maskininlärning

ML-ingenjörer och datavetare utför olika jobb, men det finns mycket överlappning mellan dem. Jobbmeddelanden för båda positionerna har ofta liknande krav. Många arbetsgivare föredrar kandidatexamen, magisterexamen eller doktorsexamen i datavetenskap eller teknik, statistik eller matematik.

För att vara professionell maskininlärning behöver du en kombination av tekniska färdigheter - färdigheter lärda i skolan eller på jobbet - och mjuka färdigheter. Mjuka färdigheter är ens förmågor som de inte lär sig i klassrummet utan istället föds med eller förvärvas genom livserfarenhet. Återigen finns det en hel del överlappning mellan de nödvändiga färdigheterna för ML-ingenjörer och datavetare.

Jobbmeddelanden avslöjar att de som arbetar i ML-teknikjobb borde känna till maskininlärningsramar som TensorFlow, Mlib, H20 och Theano. De behöver en stark bakgrund inom kodning inklusive erfarenhet av programmeringsspråk som Java eller C / C ++ och skriptspråk som Perl eller Python. Kompetens i statistik och erfarenhet av att använda statistiska programvarupaket för att analysera stora uppsättningar data ingår också i specifikationerna.

En mängd mjuka färdigheter gör att du kan lyckas inom detta område. Bland dem är flexibilitet, anpassningsbarhet och uthållighet. Att utveckla en algoritm kräver mycket test och fel, och därför tålamod. Man måste testa en algoritm för att se om den fungerar och, om inte, utveckla en ny.

Utmärkta kommunikationsförmågor är viktiga. Professionella maskininlärningar, som ofta arbetar i team, behöver överlägsen lyssna, tala och interpersonella färdigheter för att samarbeta med andra, och måste också presentera sina resultat för sina kollegor. De bör dessutom vara aktiva elever som kan integrera ny information i sitt arbete. I en bransch där innovation värderas måste man vara kreativ för att utmärka sig.