تبدیل شدن به یک متخصص یادگیری ماشین |‌ گام نهایی: ساخت پورتفولیو

این مقاله آخرین بخش از سری مقالات «تبدیل شدن به یک متخصص یادگیری ماشین» است. نوشتن این مجموعه مطالب با هدف به اشتراک گذاری تجربیات ام از اولین گام هایی که برای ورود به عرصه یادگیری ماشین برداشتم با جوانان و نسل جدید علاقه مند به توسعه هوش مصنوعی (AI) صورت گرفت.

تبدیل شدن به یک متخصص و مهندس یادگیری ماشین کار ساده ای نیست. نیاز به تمرین، پشتکار و صبر فراوانی است تا بتوانید از هیچ، سامانه هایی را توسعه دهید که می توانند از داده های آموزش ببینند. اگر با مطالعه سری مطالب ما تاکنون به چنین مرحله ای رسیده اید، باید به شما تبریک بگویم. شما در جایگاهی هستید که من هم همین چند ماه پیش در آن قرار داشتم. اما اگر شما هم مثل آن زمان من باشید، احتمالاً هنوز دقیق نمی دانید که چطور مهارت هایی که طی چند ماه تلاش بی وقفه کسب نموده اید را به کارفرمایان و شرکت ها عرضه کنید.

شاید حدس بزنید که ساخت یک پروفایل در سایت های Linkedin و یا indeed و درج عناوین مهارت ها یا گواهینامه های دوره های آموزشی ای که طی کرده اید، برای این امر کافی باشد. اما باید بگویم این روش تأثیر فوق العاده ای نخواهد داشت، اگر چه شما را از گمنامی خارج می کند و حداقل به شرکت ها و افراد فعال در این عرصه اجازه می دهد تصویری کلی از پیشینه، تجربیات و مهارت های شما به دست آورند. مهم ترین و کارآمدترین روش برای معرفی مهارت های خود ایجاد یک پورتفولیو (Portfolio) از نمونه کارهای تان است. یک پورتفولیوی با کیفیت نمایشگاهی است از:

  • توانایی شما در ایجاد ارتباط با مخاطب
  • مزیت های رقابتی فنی و تخصصی شما
  • توانمندی تان در فهم، توسعه راهکار و حل مسأله و نیز توان شما در تفسیر نتایج
  • انگیزه ها و توانایی های شما در به دست گرفتن ابتکار عمل

این ها همه چیزهایی هستند که کارفرمایان دوست دارند در زمانی که به دنبال استخدام یک مهندس یادگیری ماشین هستند، ببینند. متأسفانه، اکثر افراد پورتفولیوی خود را به شیوه ای که نمایش گر صحیح مهارت هایشان باشد شکل نمی دهند. وقتی اولین پورتفولیوی یادگیری ماشین خود را می سازید، لازم است پنج نکته را در ذهن داشته باشید. این پنج نکته کلیدهایی هستند که به برداشت بهترین حاصل از پورتفولیوی شما کمک خواهند کرد.

به پروژه های کوچک اکتفا کنید

بزرگی پروژه های پورتفولیوی شما از اهمیت به سزائی برخوردارند. اگر چه یک پروژه بزرگ ممکن است چشم گیر به نظر برسد ولی هزینه ها و ریسک هایی نیز به همراه دارد. تکمیل یه پروژه کوچک شاید بیش از ۲۰ تا ۴۰ ساعت از شما زمان نگیرد، و اگر به نتیجه هم نرسد، عملاً آن چه از دست داده می دهید در مقایسه با گرداب چندماهه ای که پروژه های بزرگ ممکن است شما را گرفتار خود کنند، ناچیز خواهد بود.

پروژه ها را کامل کنید

آن چه از نداشتن پورتفولیو بدتر است، داشتن پروژه های زیاد ولی ناقص در یک پورتفولیو است. چنین چیزی به دنیا فریاد می زند که شما توان تکمیل پروژه ای که شروع کرده اید را ندارید و باید به هر قیمتی از استخدام شما پرهیز کرد!

پروژه های مستقل انجام دهید

یادگیری ماشین تقریباً قابل اعمال به هر حوزه ای از زندگی بشر است. در توسعه پورتفولیوی خود می توانید این مسأله را با تکمیل پروژه هایی که استقلال دارند و بسط و ادامه پروژه های قبلی (انجام شده توسط دیگران) نیستند، به نمایش بگذارید. اما اگر دقیقاً می دانید که شما در چه حوزه ای بهتر هستید، این موضوع را فراموش کنید و تلاش کنید که تخصص خود را در همان حوزه خاص به رخ جهانیان بکشید!

پروژه های نو

بسیاری از دانشجویان و علاقه مندان اشتباهی بزرگ را مرتکب می شوند. آن ها در مسیر یادگیری خود در دوره های حضوری و آنلاین مختلفی شرکت می کنند و تمرینات محدودی رو انجام می دهند،‌ و تصور می کنند که دیگر می توانند هر نوع پروژه ای را به انجام برسانند. یقین داشته باشید که این طور نیست و برای انجام پروژه های بدیع و ایده های نو از آغاز تا پایان، آموزش های آکادمیک یا دوره های آموزشی ای که طی کرده اید، دانش و تجربه کافی را به شما انتقال نخواهند داد. یک کارفرما، به محض برخورد با پورتفولیو ای مملوء از پروژه های تکراری (و مشابه آن چه در دوره های آنلاین فراوان دیده می شوند)، کل رزومه شما را نادیده خواهد گرفت.

آیا به ایده های نو برای انجام پروژه نیاز دارید؟ بد نیست به بخش قبلی از سری مطالب ما با عنوان «تبدیل شدن به یک متخصص یادگیری ماشین: گام چهارم | تمرین، تمرین، تمرین» سری بزنید.

ایجاد دسترسی آسان

پورتفولیوی خود را به صورت آنلاین برای مشاهده همگان در اختیار بگذارید. هر چه افراد بیشتری کارهای شما را پیدا کنند، ببینند، و بر روی آن ها نظر دهند، بهتر است. نه تنها مجموعه ای از کارفرمایان و مدیران نیروی انسانی شرکت ها خروجی تخصص شما را خواهند دید، بلکه بازخوردهای بی نظیری نیز از سایر متخصصان و دانشجویان دریافت خواهید کرد که به رشد شما کمک می کند. ساده ترین روش برای این کار آن است که پروژه خود را (شامل کُد و داده های مورد استفاده) البته با مستندات مناسب (مثلاً‌ یک فایل ReadMe) بر روی یک مخزن آنلاین Git (مثل GitHub یا GitLab) قرار دهید.

اگر شما هم مثل من هستید و با دیدن مثال ها بهتر یاد می گیرید، پیشنهاد می کنم نگاهی به این پورتفولیوی علوم داده نگاهی بیندازید.

پایان سخن

داشتن یک پورتفولیو از کارها به سرعت در حال تبدیل شدن به بخشی ضروری در پروسه استخدام مهندسان یادگیری ماشین جدید می شود. البته این مسأله در استخدام مهندسان نرم افزار سال هاست که رایج بوده است. همین حالا شروع کنید! پروژه های قدیمی تری که پیش تر تکمیل کرده اید را بررسی کنید. پروژه های جدید بسازید و دستی به سر و رویشان بکشید. در قالب فایل ReadMe، توضیحاتی در مورد هدف پروژه و محتوای مسأله، کمّ و کیف داده های مورد استفاده و توضیح و تفسیری مختصر درباره نتایج حاصل ارائه کنید. در نهایت درنگ نکرده و پروژه های تان را به مخزن کُد آنلاین منتقل کنید. یقین داشته باشید که خیلی زود تماس ها برای دعوت به مصاحبه استخدام آغاز خواهند شد!

این مطلب بخشی از یک مجموعه مطالب مرتبط با هم است. برای دیدن مطلب آغازین و همین طور بخش های دیگر از لینک های زیر استفاده کنید:

مطلب آغازین: طی ۵ مرحله به دنیای یادگیری ماشین قدم بگذارید
گام اول: تنظیم کردن و آماده سازی ذهن
گام دوم: دنبال کردن یک پروسه
گام سوم: انتخاب ابزار
گام چهارم: تمرین، تمرین، تمرین