Введение

В современной технологической отрасли крайне важно постоянно повышать квалификацию и учиться всю жизнь. Недавняя пандемия еще больше обострила эту потребность в совершенствовании своих навыков и изучении новых. Это также привело к появлению формата онлайн-обучения, который раньше не очень активно использовался.

Недавно я получил степень магистра наук о данных в Ливерпульском университете Джона Мура. Мастера определенно повышают доверие, открывают больше возможностей для работы. Создание базы модели машинного обучения также помогает понять несколько аспектов машинного обучения.

Эта статья будет в основном о моем путешествии в магистратуру, а также о некоторых советах для учащихся, которые с нетерпением ждут продолжения этого курса.

Курс разделен на 2 части. 12 месяцев Executive PG / PGDDS от IIIT-Bangalore, за которыми следуют 7–8 месяцев исследований в сотрудничестве с LJMU.

ИИТ-Б

Магистратура начинается с программы Международного института информационных технологий Бангалора PG. Первые 5–6 месяцев одинаковы для всех учащихся, в них рассматриваются основы, то есть Python, SQL, исследовательский анализ данных, проверка гипотез и несколько заданий, основанных на всех этих темах.

После этого следующие ~ 6 месяцев зависят от специализации, выбранной учащимся, а недавняя учебная программа предлагает 6 специализаций, которые учащийся может выбрать в зависимости от карьерных устремлений и интересов.

Я выбрал Business Intelligence в качестве своей специализации. Мой интерес к BI был одной из основных причин, по которой я сделал этот выбор, что также помогло мне в моем исследовании магистра.

Педагогика и преподавание курса находятся в смешанной форме. Есть еженедельные дедлайны и модули, которые необходимо выполнить. Также ожидается, что учащийся закончит набор предварительно записанных лекций университета и дополнительного факультета. Очень часто организуются живые занятия по соответствующей теме, которую студент изучает/изучает в одни и те же выходные.

Задания, тематические исследования, viva, внутримодульные вопросы, экзамены вместе определили окончательные оценки, и, следовательно, обязательно выполнить их все в установленное время.

Советы:

  1. Постарайтесь углубиться в алгоритмы, изучаемые концепции (из ресурсов, отличных от модулей upGrad), сделайте больше практической работы с различными наборами данных. Kaggle — отличное место для поиска наборов данных для экспериментов.
  2. Будьте активны на дискуссионных форумах, так как это поможет разрешить ваши сомнения, а также узнать что-то новое.
  3. Планируйте посвящать какое-то время ежедневно (вместо того, чтобы откладывать все на выходные/праздники)

LJMU (Ливерпульский университет Джона Мурса)

После 12 месяцев с IIIT-B начинается новое путешествие с Ливерпульским университетом Джона Мура. Первые 1,5–2 месяца проводятся записи лекций и еженедельных занятий преподавателей LJMU, которые помогают понять различные аспекты исследований, их виды и способы проведения исследований.

Учащийся должен выбрать 3–5 тем и отправить их вместе с наборами данных и кратким описанием. LJMU даст добро на одну или несколько тем в зависимости от исследовательского потенциала. Следующий шаг включает в себя чтение нескольких журнальных статей, статей, исследовательских материалов и т. д., чтобы лучше понять тему, различные методы, которые использовались предыдущими исследователями, и результаты тестов.

Кроме того, перед исследователем ставится задача написать код для выполнения EDA, формулирования гипотез, моделирования и настройки алгоритма на наборе данных (используемом в исследовании) для построения надежной модели машинного обучения. На основе обзора литературы и моделирования ML исследователь должен написать тезис, который оценивается LJMU. руководитель — самый важный человек в магистратуре, поскольку он/она поможет вам в планировании, понимании, определении важных характеристик и достижении цели исследования.

Диссертация может показаться сложной задачей в начале, но когда она завершена, она определенно дает ощущение достижения, а обучение чрезвычайно ценно, поскольку оно создает возможности для написания научного документа.

Несколько советов из моего личного пути:

Тема исследования должна выбираться с учетом интересов, доступного времени, ресурсов и глубины понимания предметной области.

  1. Соблюдение графика и поэтапное написание дипломных документов (80–100 слов) в день помогает избежать спешки в последнюю минуту и ​​​​обеспечивает хорошую дипломную работу.
  2. Регулярно сообщайте руководителю о своем прогрессе и получайте обратную связь
  3. Создайте электронную таблицу, чтобы зафиксировать различные используемые гиперпараметры и их производительность (точность, прецизионность, полнота, оценка F1 и т. д.).
  4. Следите за номерами версий библиотек (sklearn, tensorFlow и т.д.)
  5. Постарайтесь завершить первый запуск кода (с достойными результатами) как можно раньше, чтобы у вас было время настроить гиперпараметры, а также расширить область постановки задачи.

Советы по выбору темы исследования

Самый важный шаг в моем магистерском путешествии — это выбор темы исследования.

Несколько советов, которые помогли мне выбрать тему исследования:

  1. Определите интересующую область/технологию, например NLP, CV, глубокое обучение, обучение с подкреплением, кластеризацию, классификацию, регрессию, инженерию данных, визуализацию данных и т. д.
  2. Определите домены (необязательно) — розничная торговля, BFSI, телекоммуникации, электронная коммерция, производство и т. д. Понимание домена помогает понять тему, болевые точки, промышленное применение и удобство использования исследования.
  3. Самооценка навыков — если вы уже хорошо знакомы с какой-либо из областей и областей (упомянутых в 1 и 2), тогда у вас есть хотя бы одна тема из этой конкретной области / области.
  4. Перейдите на следующие веб-сайты для поиска соответствующей литературы (статьи, журналы, технические документы и т. д.):

Поиск набора данных (google.com) — отличный ресурс, содержащий местоположение набора данных, документы со ссылкой на данные, авторов, даты последнего обновления и т. д.

Часто задаваемые вопросы

  1. Гарантируется ли трудоустройство благодаря поддержке карьеры? — Учащийся также должен попробовать другие ресурсы (такие как Naukri.com, LinkedIn, Hirist, рефералы и т. д., чтобы получить работу, особенно если он / она стремится сменить домен, например, с инженера-программиста на специалиста по данным. )
  2. Время, которое необходимо выделить в день/неделю.Из моего личного опыта для специалистов по науке о данных / ML AI Masters требуется минимум 12 часов в неделю.

Если вы планируете зарегистрироваться или у вас есть другие вопросы, пожалуйста, не стесняйтесь обращаться ко мне в LinkedIn. (www.linkedin.colm/in/chitranshu-itankar)