iT邦幫忙

2024 iThome 鐵人賽

DAY 30
0
AI/ ML & Data

【AI筆記】30天從論文入門到 Pytorch 實戰系列 第 30

【AI筆記】30天從論文入門到 Pytorch 實戰:學習總結與未來計畫展望 Day 29

  • 分享至 

  • xImage
  •  

從論文入門到 PyTorch 實戰的學習過程是一個充滿挑戰但也充滿機遇的旅程。通過不斷學習和實踐,我們可以不斷提升自己的技術水平,並為未來的研究和應用打下堅實的基礎。

學習總結

  1. 論文入門

    • 理解基礎概念:閱讀和理解機器學習和深度學習的基礎概念是至關重要的。這包括線性回歸、分類、神經網絡等。
    • 選擇經典論文:選擇一些經典的機器學習和深度學習論文,如《DDPM》、《Attention Is All You Need》,這些論文提供了深刻的理論基礎和實踐應用。
    • 批判性閱讀:在閱讀論文時,批判性地分析作者的方法、實驗設計和結果,並思考如何應用到自己的研究中。
  2. PyTorch 實戰

    • 安裝與環境設置:首先,安裝 PyTorch 並設置開發環境。這包括安裝必要的庫和工具,如 Colab、Conda。
    • 基礎操作:學習 PyTorch 的基本操作,如資料整理和模型構建。這些基礎知識是進行更複雜項目的基石。
    • 實戰項目:選擇一些實戰項目,如圖像分類、Conditional Diffusion,通過實踐鞏固所學知識。

未來計畫展望

  1. 深入研究
  • 高級主題:深入研究一些高級主題,如強化學習、多模態和自監督學習,這些領域有著廣泛的應用前景。
  • 參與研究社群:積極參與機器學習和深度學習的研究社群,如參加學術會議、研討會和線上討論,與同行交流學習。

根據104學習精靈和其他相關資料,以下是台灣職場上AI工程師大部分所需要的技能:

  • 編程技能:
    • 精通至少一種編程語言,如Python、Java或C++。
    • 熟悉深度學習框架,如TensorFlow、PyTorch和Keras。
  • 深度學習知識:
    • 熟悉深度學習算法、神經網絡和深度學習框架。
    • 自然語言處理(NLP):
      • 掌握NLP技術,如文本分類、情感分析和語言生成。
      • 熟悉大型語言模型(LLM),如GPT系列。
      • RAG 系統
  • 資料處理與分析:
    • 具備資料清洗、特徵工程和資料可視化的能力。
    • 熟悉SQL和NoSQL資料庫。
  • 環境部屬:
    • 使用 Docker 部署
    • 熟悉 AWS / GCP
  • 建立 API

在台灣大部分AI工程師都是從後端開發轉過來的,因為許多公司沒有足夠的資金來重新訓練模型或進行研發。因此現在的AI工程師大多數只需要調用API來完成任務。

此外許多AI工程師在接案工作室工作,必須想辦法使用小模型進行開發。在客戶資金有限的情況下,會需要重新改寫架構,以完成所有的目標。


上一篇
【AI筆記】30天從論文入門到 Pytorch 實戰:在Kaggle上參加競賽與學習 Day 28
系列文
【AI筆記】30天從論文入門到 Pytorch 實戰30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言