Descomplicando Machine Learning - Parte II

Obstáculos que têm impedido as pessoas de iniciar uma carreira como engenheiro de machine learning

Bem-vindo à segunda parte da nossa série "Descomplicando Machine Learning". Na primeira parte desta série, exploramos a motivação por trás deste projeto. Também definimos o que é Machine Learning e, posteriormente, mergulhamos em alguns conceitos essenciais em ML. Entre esses conceitos, destacamos a Aprendizagem Supervisionada, a Aprendizagem Não Supervisionada e a Aprendizagem por Reforço.

Motivação

Hoje, falaremos de alguns obstáculos que têm impedido as pessoas de iniciar uma carreira como engenheiro de machine learning. Antes de começar, quero dar credito ao Prof. Jason Brownlee, PhD, pois grande parte do conteúdo deste artigo é baseado em seu trabalho intitulado "What Is Holding You Back From Your Machine Learning Goals?"

Identificar e Superar Suas Crenças Limitadoras Pessoais e, Finalmente, Fazer Progresso

Começar algo do zero não é fácil, ainda mais ao iniciar uma carreira em um mundo cheio de ruídos e inundado de informações. Mas tenho boas notícias: é possível superar os obstáculos que nos impedem de avançar. Segundo o Prof. Jason Brownlee, PhD, existem três tipos de obstáculos:

Crenças autolimitantes
Esperar o momento certo para começar
Esperando Condições Perfeitas

Crenças autolimitantes: São ideias que você assume como verdadeiras e que estão restringindo seu progresso. Isso geralmente começa com crenças que vão contra os objetivos que você estabeleceu ou os que deseja alcançar. No final do dia, você acaba acreditando mais nesse pensamento negativo do que no primeiro pensamento que o motivou a embarcar em um projeto ou jornada de sucesso.

Existem três tipos de crenças autolimitantes:

Se-então Crenças: por ex. Se eu começar a carreira de machine learning engineer, falharei porque não sou bom o suficiente
Crenças Universais: por ex. Todos os cientistas de dados têm doutorado. e são deuses da matemática
Crenças Pessoais e de Autoestima: por ex. Eu não sou bom o suficiente

Como diz o ditado, "um bom entendedor meia palavra basta". Isso significa que é essencial acreditar em nós mesmos e lutar pelos nossos sonhos. Um sábio já disse que tudo é possível para aqueles que acreditam. Fica a dica

Esperar o momento certo para começar: essa é uma das crenças mais difíceis de abandonar, pois geralmente traz consigo outros maus hábitos, sendo a procrastinação um deles. No caso de machine learning, acredita-se que é necessário primeiro se tornar um deus da matemática e estatística e, em seguida, dominar a programação de A a Z, para só então começar a estudar machine learning efetivamente. No entanto, quero lhe dizer que isso não é verdade. (De fato, o fato de você estar aqui já indica que está no caminho certo. Aqui, desenvolveremos alguns modelos que podem servir de inspiração para continuar praticando sem precisar antes ser o deus da matemática e estatística). O problema com esse tipo de crença é que o conhecimento prévio que você acredita precisar dominar na íntegra não é, na verdade, necessário para dar os primeiros passos. Para ser mais prático, você pode começar a desenvolver seu primeiro modelo de aprendizado de máquina sem ser um deus da matemática e estatística, pois essas ciências são tão vastas em escopo que mesmo especialistas no assunto não sabem tudo.

Abaixo estão algumas das crenças autolimitantes mais comuns sobre habilidades ou conhecimento prévio que devem ser adquiridos antes de você começar a se aventurar no mundo de machine learning.

Não posso iniciar uma carreira de machine learning engineer até...

...eu obter um diploma ou pós-graduação
...eu concluir um curso
...eu ser bom em álgebra linear
...eu entender estatísticas e teoria da probabilidade
...eu dominar a linguagem de programação R

Embora todos esses aspectos sejam importantes, eles não necessariamente precisam vir antes de você começar a praticar machine learning. É possível começar a desenvolver habilidades em machine learning desde o início e, à medida que você constrói sua base em desenvolvimento de modelos de aprendizado, pode estudar gradualmente cada tópico essencial, seja matemática ou estatística

Esperando Condições Perfeitas

Esta é uma crença autolimitante clássica, e não preciso entrar em detalhes sobre isso. Em vez disso, gostaria de compartilhar histórias inspiradoras de sucesso de pessoas que superaram essa crença e se tornaram exemplos para milhares de outras pessoas:

Mark Zuckerberg, fundador do Facebook, iniciou sua jornada com colegas de quarto em Harvard.
Larry Page e Sergey Brin começaram a Alphabet na garagem.
Valentina Vladimirovna Tereshkova, a primeira cosmonauta e a primeira mulher a ir para o espaço, cresceu em uma família humilde. Seu pai era um motorista de trator que desapareceu durante a Guerra Russo-Finlandesa em 1940. Valentina entrou na escola aos oito anos e começou a trabalhar em uma fábrica têxtil aos dezoito anos.

Essas histórias demonstram que o sucesso não espera por condições perfeitas. Elas nos inspiram a continuar, independentemente das circunstâncias iniciais, e a acreditar que podemos alcançar nossos objetivos. Portanto, faça um favor a si mesmo: deixe para trás a ideia de precisar de um computador poderoso ou de esperar terminar a faculdade para iniciar sua jornada. Simplesmente comece hoje.

Conclusão

Concordarias que leva tempo para se tornar habilidoso em qualquer coisa? Requer muita prática, repetição, dedicação e a crença de que você pode alcançar o sucesso. Portanto, quero estender um convite a você: deixe de lado o excesso de preocupações com as dificuldades, não se cobre demais e junte-se a mim nessa jornada na série "Descomplicando Machine Learning". Quem sabe, no final, você estará no ritmo, construindo um portfólio sólido e se inspirando com as dicas e exemplos que veremos aqui. Sendo assim, espero por você no próximo artigo, onde vamos falar sobre: CRISP-DM na prática. Até lá, cuide-se