来自 chatgpt 的回答:
设计 AI ML model / 算法,需要以下专业知识:
数学:包括线性代数、微积分、概率论和统计学等。这些知识对于理解机器学习算法的基本原理和数学公式是至关重要的。
计算机科学:包括数据结构、算法、计算机体系结构、计算机网络、操作系统等。这些知识对于理解机器学习算法的实现和性能优化是至关重要的。
机器学习:包括监督学习、无监督学习、强化学习、深度学习等。这些知识对于理解机器学习算法的种类、应用场景和算法优化是至关重要的。
数据处理和分析:包括数据清洗、数据预处理、数据可视化、数据挖掘和特征工程等。这些知识对于数据的处理和分析是至关重要的,这些步骤通常是机器学习任务的先决条件。
使用已有 AI ML model,设计 AI ML training pipeline,解决实际工程问题需要以下专业知识:
数据科学和数据工程:包括数据采集、数据存储、数据处理、数据分析和数据可视化等。这些知识对于构建完整的机器学习流程和处理大规模数据是至关重要的。
机器学习:包括数据建模、特征提取、模型训练、模型评估和模型优化等。这些知识对于构建可靠的机器学习模型和优化算法性能是至关重要的。
编程和软件工程:包括编程语言、软件开发工具、代码管理、测试和部署等。这些知识对于实现和管理机器学习流程是至关重要的。
领域知识:针对不同的应用场景,需要具备相关领域的专业知识,例如医疗、金融、自然语言处理等。这些知识对于理解业务需求、选择适当的算法和评估模型效果是至关重要的。
============================
肯定有重叠部分,但还是有侧重点的。
很少人做的是第一部分。
大部分公司其实做的是第二部分的事情。所以,根据领域知识选择合适模型,数据建模、特征提取、模型训练、模型评估和模型优化 + 数据预处理 + 软件工程其实是更重要的部分。