Lộ trình từng bước trở thành Machine Learning Engineer

7327

Anh em đang trông chờ, háo hức từng bước từng bước một trở thành Machine Learning Engineer?. Nếu đúng, bài viết này đích thị là dành cho anh em.

Trong bài mình sẽ liệt kê đầy đủ, tuần tự 6 bước (cũng có thể xem là 6 kỹ năng) để anh em trở thành Machine Learning Engineer đích thực. Lưu ý là 6 bước là ý kiến tổng hợp và có thể khác đi tuỳ vào trình độ, lộ trình và khả năng tiếp cận của từng anh em nhá.

Trước khi bắt đầu phân tích từng thành phần, để tui liệt kê ra trước cho anh em 6 kỹ năng cần có cho Deep Learning:

1. Kỹ năng toán – Maths Skills.

2. Kỹ năng lập trình – Programming Skills.

3. Kỹ năng xử lý dữ liệu – Data Engineering Skills.

4. Hiểu biết về học máy – Machine Learning Knowledge.

5. Hiểu biết về deep learning – Knowledge of DL Algorithms.

6. Hiểu biết về các deep learning framework – Knowledge of DL Frameworks.

Tại sao lại là Deep Learning?, rồi anh em vào mục 1 sẽ thấy ngay.

1. Deep learning, Machine Learning và Artificial Inte

Đầu tiên, sự khác nhau giữa 3 thanh niên này tóm gọn như sau:

Machine learning and deep learning are both types of AI. In short, machine learning is AI that can automatically adapt with minimal human interference. Deep learning is a subset of machine learning that uses artificial neural networks to mimic the learning process of the human brain.

Machine learning và deep learning đều là một loại của AI (trí tuệ nhân tạo). Nói ngắn gọn, machine learning là trí tuệ nhân tạo có thể tự động thích ứng với sự can thiệp tối thiểu từ con người (chủ yếu là máy làm). Còn deep learning là một tập hợp con của machine learning sử dụng mạng trí tuệ nhân tạo để huấn luyện cho máy học như con người.

Vậy từ đó ta hiểu ra, deep learning và thành phần con, nằm trong cái khái niệm rộng hơn là machine learning (học máy)

Chính vì Deep learning là cái cốt lõi, nên lộ trình trở thành Machine Learning Engineer chính xác hơn phải bắt đầu từ Deep Learning skill.

2. Kỹ năng toán – Math skills

Không ngoa mà cũng giống như các meme thường có trên mạng. Machine Learning Engineer thì bước đầu tiên và phải có là kỹ năng toán học. Toán học giúp ta có thể hiểu được các thuật toán deep learning và machine learning hoạt động như thế nào?. Bao gồm 3 thành phần nhỏ:

Cùng điểm qua các hạng mục này yêu cầu gì nhé.

2.1 Xác suất và thống kê – Probability & Statistics

Cơ bản của xác suất có định lý Bayes. Định lý này sử dụng trong thuật toán Naive Bayes để phân loại dữ liệu, kế tiếp là Probability Distribution, thường được sử dụng để xác định tần suất một sự kiện có thể xảy ra. Cũng cần tìm hiểu thêm về lấy mẫu (Sampling) và kiểm tra giả thuyết (hypothesis testing)

2.2 Đại số tuyến tính – Linear Algebra

Trong đại số tuyến tính thì có hai khái niệm chính thường được sử dụng là deep learning (học sâu) và machine learning (học máy). Matrices (ma trận) và các vector được sử dụng để nhận dạng hình ảnh. Những hình ảnh mà ta muốn nhận dạng được hiểu ở dạng ma trận.

2.3 Giải tích – Calculus

Giải tích, môn học thần thánh ám ảnh từ hồi cấp 3 sẽ quay trở lại nếu như anh em dấn thân vào con đường Machine Learning Engineer.

Trong giải tích, anh em có hai cái là phép tính vi phân và phép tính tích phân. Hai ông thần này giúp ta xác định xác suất của các sự kiện. Ví dụ, trong việc tìm xác suất trong thuật toán Naive Bayes.

Trên đây chỉ là 3 subject cơ bản khuyến nghị cho anh em, còn lại anh em có thể tìm hiểu thêm các subject khác. Nói chung là càng giỏi về toán càng tốt, tiến về ML càng nhanh, chả mất vào đâu cả.

3. Kỹ năng lập trình – Programming language

Bản thân Machine Learning Engineer có từ Engineer (kỹ sư). Nếu anh em đi theo hướng nghiên cứu thì khỏi bàn đi ha. Còn theo hướng ML thì kỹ năng lập trình (programming language) là yếu tố bắt buộc để anh em có thể trở thành expert.

Có rất nhiều rất nhiều ngôn ngữ lập trình ngoài kia anh em có thể học. Trong phạm vi bài viết này xin phép được giới thiệu 4 ngôn ngữ sau:

Python.
R.
C.
Java.

Trong 4 ngôn ngữ này, Python và R là hai ngôn ngữ phù hợp nhất cho deep learning và machine learning. Mình suggest cho anh em go với Python và R. Nếu là beginner thì start với Python có vẻ là dễ thở nhất, dễ học nhất.

4. Kỹ năng xử lý dữ liệu – Data Engineering Skills

Có kiến thức về Deep learning, giỏi toán, thành thạo ngôn ngữ lập trình. Mỗi kỹ năng như một phát mài cho cây kiếm sắc bén của anh em. Nhưng giờ chém vào đâu?. Chả lẽ chém vào không khí, không, chém vào dữ liệu. Đối với anh em Machine Learning thì có dữ liệu là có tất cả. Vậy kỹ năng tiếp theo để trở thành Machine Learning Engineer là Data Engineering Skills

Kỹ năng cụ thể ở đây cần có là Data Wrangling (bóc tách dữ liệu), dịch nếu có hơi không sát tí mong anh em thông cảm, nghĩa thì như nhau. Bóc tách là biến dữ liệu thô đầu vào thành dữ liệu tinh tuý đầu ra.

4.1 Xử lý tiền dữ liệu

Machine Learning cần một lượng lớn dữ liệu để học, bước đầu tiên và tiền xử lý dữ liệu, trong Data Wrangling bao gồm các thành phần sau:

Cleaning – làm sạch
Parsing – chuyển đổi
Correcting – làm đúng
Consolidating – hợp nhất

4.2 ETL (Extraction, Transformation, Load) – Khai thác, chuyển đổi, tải

Khai thác ở đây được hiểu là kỹ năng trích xuất dữ liệu từ các máy chủ. Chuyển đổi ở đây là chuyển đổi sang định dạng phù hợp cho bạn sử dụng. Tải ở đây được hiểu là tải các dữ liệu đã được xử lý để sử dụng trong nghiên cứu của mình.

Cuối cùng là hiểu biết về cơ sở dữ liệu

4.3 Hiểu biết về hệ cơ sở dữ liệu

Deep learning liên quan tới dữ liệu, mà dữ liệu thì không thể bảo là chỉ lưu một cục hổ lốn trong csv hay excel. Nên hiểu biết về hệ cơ sở dữ liệu cũng là điều bắt buộc anh em cần có.

Bảo là hiểu hết như ông DBA thì không cần, nhưng anh em cần có hiểu biết nhất định về SQL, NoSQL, một số hệ quản trị phổ biến như là MySQL và Oracle.

5. Hiểu biết về deep learning – các khái niệm chính

Sau khi đã nắm trong tay, có hiểu biết về từng bước để trở thành Machine Learning Engineer thì bước tiếp theo đây, không kém phần quan trọng là concepts của ML.

Một số thuật toán anh em cần thiết phải nắm cơ bản:

Naive Bayes.
Support Vector Machine.
K nearest Neighbour.
Linear Regression.
Logistic Regression.
Decision Tree.
Random Forest.
K means Clustering.
Hierarchical Clustering.
Apriori.

Các thuật toán trên đây chủ yếu chia thành 2 loại (Classification Category – phân loại) và (Clustering Category – phân nhóm). Trong phân nhóm lại chia thành hai loại nữa là phân nhóm và hồi quy (regression).

Hồi quy sử dụng để đưa ra dự đoán cho dữ liệu, trong khi phân loại chia dữ liệu thành các loại khác nhau.

6. Hiểu biết về thuật toán deep learning

Sau khi đã nắm rõ và hiểu về cách phân loại, khái niệm liên quan tới deep learning thì giờ là lúc cho thuật toán algorithm (a lờ go ri thầm). Những thứ phổ biến và thông dụng thường được sử dụng của thuật toán Deep learning là:

Artificial Neural Network.
Convolutional Neural Network.
Recurrent Neural Network.
Generative Adversarial Network.
Deep Belief Network.
Long Short Term Memory Network.

Do bài viết nhắm tới việc làm rõ từng bước từng bước để trở thành Machine Learning Engineer nên mình sẽ không đi sâu vào từng thuật toán. Vả lại từng thuật toán để làm rõ được chắc phải cần ít nhất 3 bài =)).

7. Có kinh nghiệm với deep learning framework

Sau khi đã đi theo 4 bước:

Hiểu vấn đề
Lựa chọn thuật toán có thể giải quyết được vấn đề
Tạo ra model với một hoặc nhiều thuật toán
Tối ưu model để có độ chính xác tốt nhất

Để tự giải quyết cho mình các vấn đề bằng Machine Learning, giờ là lúc anh em cần tới sức mạnh của Framework. Bản thân các ML framework cũng như framework trong các lĩnh vực khác, bản thân nó hỗ trợ rất nhiều công cụ, thư viện để làm việc nhanh chóng, thuận tiện và an toàn hơn.

Dưới đây là một số ML frameworks tiêu biểu anh em có thể tìm hiểu (má líu lưỡi)

TensorFlow.
Theano.
scikit learn.
PyTorch.
Keras.
DL4J.
Caffe.
Microsoft Cognitive Toolkit.

Cùng lướt qua một số frameworks tiêu biểu để xem có gì hút hàng nha:

7.1 Tensorflow

Tensorflow là framework tiêu biểu được sử dụng rộng rãi cho ML và DL. Tensor là open source, thường dùng để tính toán số liệu bằng biểu đồ luông dữ liệu (data flow).

7.2 Theano

Theano giúp anh em xác định, tối ưu hóa và đánh giá các phép toán. Một số thư viện nổi tiếng của nó bao gồm LASAGNE, BLOCKS và KERAS. Hẳn là anh em nếu sử dụng framework này chắc đã một lần dùng qua

Anh em có thể tham khảo tin tuyển dụng kỹ sư Machine Learning tại đây nha. Biết đâu có thể bắt đầu hoặc chuyển đổi bước ngoặt mới cho sự nghiệp của mình.

Cảm ơn anh em đã đọc bài, thank you for your time – Happy coding!

Tác giả: Kiên Nguyễn

Xem thêm:

Việc làm IT lương cao, đãi ngộ hấp dẫn có trên TopDev. Ứng tuyển ngay!