详细内容或原文请订阅后点击阅览
“我最大的教训是意识到领域专业知识比算法复杂性重要。”
claudia ng反思了现实世界中的ML课程，指导新移民以及她从公司ML到自由职业者的旅程。首先出现在数据科学上。
来源:走向数据科学在作者聚光灯系列中，TDS编辑与我们社区成员聊天，谈论他们在数据科学和AI，写作以及灵感来源方面的职业道路。今天，我们很高兴与Claudia Ng分享我们的对话。
在作者聚光灯系列中，TDS编辑与我们社区成员聊天，谈论他们在数据科学和AI，写作以及灵感来源方面的职业道路。今天，我们很高兴与 claudia ng 。Claudia是一位AI企业家和数据科学家，拥有6年以上Fintech的生产机器学习模型的经验。她在2024年的Web3信用评分ML比赛中获得了第二名，并赢得了10,000美元。
您最近在机器学习比赛中赢得了10,000美元的奖金 - 恭喜！您从这种经历中获得的最大教训是什么？如何影响您解决现实世界中ML问题的方法？
您最近在机器学习竞赛中赢得了10,000美元我最大的教训是意识到域专业知识比算法复杂性重要。这是一项Web3信用评分ML竞赛，尽管从未使用过区块链数据或神经网络进行信用评分，但我在金融科技工作的6年以上，使我成为了将其视为标准信用风险问题的业务直觉。这种观点比任何程度或深度学习专业化都更有价值。
这种经验从根本上改变了我如何通过两种方式解决ML问题：
首先，我了解到发货胜于完美。我只花了10个小时参加比赛，并提交了“ MVP”方法，而不是过度工程。这直接适用于行业工作：在生产中运行的一个体面的模型比位于jupyter笔记本中的高度优化模型具有更多的价值。
首先，我了解到发货胜于完美。 第二，我发现大多数障碍都是精神上的，而不是技术性的。 AI自由世界 新闻通讯我的典型过程遵循三个步骤：
首先，我专注于问题诊断。 在这里