Evite projetos de ML inúteis e foque no que realmente funciona
São Paulo — InkDesign News — A busca por projetos em machine learning e deep learning continua a crescer. Com a demanda por especialistas na área, entender quais projetos podem destacar candidatos se tornou fundamental.
Arquitetura de modelo
Iniciar com projetos menores é crucial. Construa de 4 a 5 projetos simples, focando em diferentes algoritmos como Gradient Boosted Trees, Redes Neurais e Algoritmos de Clustering. Esses modelos são amplamente utilizados na indústria e proporcionam uma visão ampla das capacidades de machine learning.
“Um grande projeto é pessoal para você, o que significa que qualquer projeto que eu sugerir será automaticamente uma escolha ‘ruim’.”
(“A great project is personal to you, which means any project I suggest will automatically be a ‘bad’ choice.”)— Egor Howell, Especialista em Dados
Treinamento e otimização
Utilizar conjuntos de dados complexos e realistas é fundamental. Evite datasets clássicos e amplamente utilizados, como MNIST e Titanic, pois eles não impressionam empregadores. Considere fontes de dados públicos, APIs gratuitas e colete seus próprios dados através de pesquisas.
“Quando selecionando conjuntos de dados, evite usar conjuntos saturados.”
(“When selecting datasets for your projects, avoid using overused datasets.”)— Egor Howell, Especialista em Dados
Resultados e métricas
Após os projetos menores, desenvolva um projeto maior que coloque em prática as habilidades adquiridas. Este projeto deve incluir coleta de dados, pré-processamento, treinamento de modelos e apresentação de resultados. Communication é uma habilidade vital, portanto, documente seu trabalho em plataformas como GitHub.
“É essencial documentar seu aprendizado.”
(“The final and arguably most essential part is to document your learning.”)— Egor Howell, Especialista em Dados
Ao final, a construção de uma carreira em machine learning vai além da técnica: trata-se de paixão e de projetos relevantes para o mercado. Novas pesquisas e a criação de soluções inovadoras continuarão a moldar o campo.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
