停止构建无用的ML项目 - 实际有效的东西

始终：

“我应该做什么项目来获得数据科学或机器学习？”

这个问题从一开始就存在缺陷。

一个很棒的项目对您来说是个人的，这意味着我建议的任何项目都会自动成为“不好”的选择。

在本文中，我的目标是分解实际帮助您被录用的项目类型以及可以遵循的框架以找到它们。

4–5简单项目

首先要建造4-5个较小的项目，以使您的投资组合有一些初始权重。

这里的主要目标主要用于“光学”，并确保您的简历/CV，Github和LinkedIn配置文件显得活跃且人口饱和。

请花几个星期来构建这些较小的项目，以确保它们具有足够的质量，而不是您匆忙与Chatgpt产生的东西。

旨在构建各种项目，每个项目都使用不同的工具，数据集和机器学习算法。

算法和ML模型

我建议您有以下算法的项目：

Gradient Boosted Trees — The gold standard algorithm for tabular data, so it’s something you will definitely use on the job.Neural Networks — Good understanding of deep learning frameworks like TensorFlow or PyTorch is valuable, especially if you want to work in computer vision, NLP or AI.Clustering Algorithms — Models like K-Means and DBSCAN demonstrate your grasp of unsupervised learning, which is needed for some角色。

梯度增强的树木 - 表格数据的黄金标准算法，因此您肯定会在工作中使用。

梯度增压树

神经网络 - 对Tensorflow或Pytorch等深度学习框架的良好理解是有价值的，尤其是在您想从事计算机视觉，NLP或AI的工作时。

神经网络 TensorFlow pytorch

聚类算法 - K-Means和DBSCan等模型展示了您对无监督学习的掌握，这是某些角色所需的。

聚类算法 k-means dbscan

获得令人兴奋和新颖的数据

mnist 泰坦尼克号 iris

一些获取数据的好地方：

自由竞争 在这里 aws EC2