با توجه به افزایش تقاضای چشمگیری که در حوزهی یادگیری هوشمصنوعی که احتمالا بخاطر بازار کار بینظیر و فرصتهای مهاجرتی خاصی که داره رخ داده، و همچنین سوالات مکرری که دوستان در این زمینه از بنده میپرسند، تصمیم گرفتم که یک پست در این باره بنویسم و در ویرگول منتشر کنم.
اول از همه پیج اینستاگرامی زیر که همیشه در انتهای پست میذارم رو فالو کنید چون فکر میکنم برای هر کسی که میخواد برنامهنویس یا متخصص هوشمصنوعی بشه، در این پیج حرفهایی برای گفتن وجود داشته باشه:
بعدش گامهای زیر رو که همگی در پیج مذکور با جزییات دنبال میشن رو طی کنید:
1. زبان برنامهنویسی پایتون رو یاد بگیرید.
2. ریاضیات (جبر خطی، حسابان و احتمالات) رو بهطور کاربردی (متناسب با هوشمصنوعی) یاد بگیرید.
3. دورههای تخصصی یادگیری ماشین یا دیگر تخصصهای مورد نیاز در هوشمصنوعی رو بگذرونید.
* نحوهی یادگیری گزینههای یک تا سه بهطور مداوم در استوریهای پیج اینستاگرامی بالا توضیح داده میشن.
4. روشهای جمعآوری صحیح دادهها رو بیاموزید.
* برای مورد چهار، منابع زیادی وجود دارن که در پیج اینستاگرامی مذکور معرفی میشن.
5. سعی کنید یک پروژهی هوشمصنوعی هرچند کوچک رو در خانه کد بزنید.
6. به گروههای آنلاین در حوزهی هوشمصنوعی بپیوندید.
7. در رقابتهای آنلاین هوشمصنوعی شرکت کنید.
8. برای کارآموزی در حوزهی هوشمصنوعی به یک شرکت فعال در این حوزه بپیوندید.
9. شغلتون رو بهصورت حرفهای در این زمینه دنبال کنید.
در ادامهی این مقاله میخوام به تک تک این مراحل با جزئیات کمی بیشتر بپردازم:
به عنوان کسی که میخواد هوشمصنوعی رو یاد بگیره، چه رشتتون نرمافزاره و چه از رشتههای دیگه، شما اول از همه باید یک زبان برنامهنویسی رو یاد بگیرید. زبان پایتون احتمالا اولین و بهترین گزینهی شماست. هر چند خیلیا برای اینکه دانشمند علوم داده یا مهندس یادگیری ماشین بشن، به سراغ ++C هم میرن. و البته زبانهای R و SQL و Java و Scala و Julia و MATLAB هم برای این حوزه مورد استفاده قرار میگیرن که حتما در آیندهای نزدیک، پستهایی رو به این زبانها اختصاص خواهم داد. اما علیالحساب، اگر تازهکار هستید و از من میپرسید، باید بهتون بگم که چشمبسته میتونید پایتون رو انتخاب کنید.
اگر به دنبال یادگیری عمیق و زیربنایی هوشمصنوعی و الگوریتمهاش هستید، بیشک یادگیری ریاضیات، نقش به سزایی در درک الگوریتمها و توانمندسازی شما در بهینهسازی اونها ایفا خواهد کرد. پس به ترتیب بهسراغ یادگیری جبر خطی، حسابان و احتمالات برید.
دورههای تخصصی هوشمصنوعی خیلی گسترده هستند. از ML و DL بگیرید تا NLP. پس در این زمینه، حتما از یک متخصص راهنمایی بگیرید یا مقالات زیادی رو بخونید تا علایقتون رو پیدا کنید.
مورد چهارم یعنی گردآوری دادهها رو جدی بگیرید. شاید مهمترین کاری که در یادگیری ماشین و علومداده داریم، گردآوری صحیح و دقیق تازههای درست و تمیز و بعد از اون، سازماندهی این دادههاست.
در مرحلهی بعدی باید به سراغ پروژه زدن برید و به اصطلاح عامیانه، کاری کنید که دستتون راه بیفته. مرور و بازسازی پروژههای Scikit-learn یا PredictionIO یا Awesome Machine Learning یا دیگر منابع معتبر میتونه شروع خوبی باشه چون دادههاشون از قبل روی اینترنت بهصورت عمومی منتشر شدن و شما مجبور نیستید که زمان زیادی رو صرف جمعآوری داده کنید.
برای حضور در کامیونیتیهای آنلاین و شرکت در رقابتها شاید بهترین گزینه Kaggle باشه. این وبسایت میتونه سالها برای شما فرصتهای جدید یادگیری ایجاد کنه.
برای هر کسی که پروژههای شخصی رو پیش برده، گام بعدیش حضور در یک شرکت برای آزمودن دانش خودش و سعی و خطا کردن در فعالیتهای تیمیه. پس، بهترین گزینه در این حالت، کارآموزی در شرکتهاییه که در این حوزه فعالیت میکنن.
و بالاخره، در نهایت باید بهعنوان یک Junior AI Engineer در جایی مشغول به کار بشید و از تمام تجربیاتتون برای موفق شدن و رشد کردن در این حوزه استفاده کنید.
تجربهی شخصی من از هزاران دانشجویی که در 15 سال گذشته در زمینهی برنامهنویسی داشتم میگه که تمام این مراحل رو میشه در حدود یکسال با تلاش شبانهروزی طی کرد.