Когда появился swift от Apple решил что подожду что из этого выйдет, в итоге главный разработчик уволился из apple будущее языка туманно, apple сама не пишет свои продукты на нем, в итоге сижу на obj-c и радуюсь. Так же с android, буду сидеть на java. А там посмотрим… перейти никогда не поздно)
Ахаха))
Будь проще детка)), не беспокойся я каждые 2 года переписываю продукт. Если для тебя вносить багфиксы так важно, значит ты просто скорее всего программируешь плохо, либо это не твое. В общем добра тебе.
Ровно через год после начала изучения питона (раньше не знал что такое переменные, списки...) стал зарабатывать пятизначную сумму в долларах в месяц. Через 2-3 года узнал только про паттерны проектирования и алгоритмы… Не всем ведь работать на дядю)) Какая разница кодинг это или программирование если это приносит деньги), отрефакторить можно потом)) Если есть идеи то их нужно реализовывать, а не годами изучать программирование, это только инструмент не более.
Python как язык очень простой. Сейчас изучаю Ruby и начинает казаться что питон многословен, некоторые мелочи видятся костылями которыми он оброс c годами. Начинаю понимать рубистов почему они так любят этот язык.))
Плагиат есть и в музыке, но это скорее плюс, например лидер Prodigy написал трек Smack my batch up полностью из семплов мало известных исполнителей, как в общем-то почти все свои хиты
За пару лет нейросайнс фактически похоронил весь традиционный Computer Vision, Voice Recognition, Language Recognition и тд и тп… и вы хотите сказать, что это не выдающееся достижение сеток?
Существующие сверточные сети сейчас могут только классифицировать, сегментировать, находить объекты на изображениях — это далеко не весь Computer Vision. Тем более чтобы хорошо научиться нужно не менее 1000-2000 изображений на класс. Про NLP похожая история. До интеллекта как до луны пешком.
Интересные мысли, тоже иногда читаю популярную психологию, в основном психологи используют статистику чтобы описать свои исследования, но есть интересные теории нестандартного мышления (латерального) где не будут работать существующие компьютерные модели… Тема психологии достаточно широкая, исследователям нейронных сетей будет полезно почитать когнитивную психологию.
На текущем этапе развития думаю возможно создать узко специализированных натренированных помощников, о общем ИИ пока думать рано так как натренировать такую нейронную сеть невозможно так сложность вычисления стремится к бесконечности…
имхо. Изучение языков фреймворков и прочие новомодные технологии само по себе ценно только на текущий момент, все быстро меняется и через 2 года все изменится, знания становятся не актуальны, годы идут, рано или поздно мозг перестанет быстро воспринимать новую инфу. Для себя решил что лучше абстрагироваться от всего и изучить базовые принципы в IT которые практически не меняются (еще держать и обновлять в голове индекс громких технологий), а так же математику которая не меняется столетиями, таким образом по крайней мере попытаться обеспечить себя интересной деятельностью на десятилетия вперед, не обращая внимания на темпы развития технологий)).
Вы правы. Я сильно идеализировал)) конечно, есть куча специализаций в этой науке, среди них есть математик который придумывает что-то (подозреваю что таких в мире очень мало). Сам только начал изучать данное направление) у меня нет цели устроиться на работу, я так же как и Вы хочу применить ml в своих (инди-игровых) проектах. Поэтому я сразу завысил планку, так как придется все специализации плюс кодинг совмещать)). Также думаю в этой сфере можно развиваться в роли независимого исследователя, исследовать свои проекты писать статьи. В любом случае MOOC обучение мотивирует получать знания, так как за тебя придумали план, задания и плюшки, самое главное не забрасывать и дальше развиваться. Желаю удачи в ваших начинаниях, обязательно пишите о результатах дальнейшего обучения, а так же о применении полученных знаний.
Мне тоже так показалось в начале, но в дополнение если читать например Флаха, то ложится вполне неплохо (плюс статистику и тервер повторить) и вопросы отпадают. Практические задания как раз закрепляют полученные знания, например на третьей неделе мы с нуля реализуем логистическую регрессию. В общем-то почти все методы до третьей недели можно реализовать по формулам, мне только svm показался запутанным...) В этом и есть плюс курса), если есть формулы, то можно на любой язык переносить спокойно…
В качестве вывода забыл написать что что подобные курсы готовят сферического «специалиста» в вакууме который может загрузить готовые датасеты и что-то с ними сделать (не зная точно что происходит на самом деле), но никак не Data Scientist. Многие просто решили заработать на пузыре раздутые СМИ и все кому не лень пооткрывали курсы, взять тот же билайн)). Не думаю что вообще возможно изучать DataScience «на всякий случай» — это наука основанная на математике и ComputerScience которая требует глубоких знаний из различных областей. Не зря Яндекс учит 2 года в ШАДе, но тут разница в том что они учат спецов которые уже подкованы в математике и заодно готовят кадры для себя.
Год назад проходил аналогичную специализацию на Coursera от университета Johns Hopkins, за год от полученных знаний ничего не осталось кроме навыков работы в R Studio)) материал очень поверхностный, не хватает теории и объяснения как это работает под капотом… Недавно стартовал курс от Яндекса на Coursera, там в основном даются математические формулы и объясняется как работает тот или иной метод машинного обучения (но опять же без мат. доказательств) так вот на этом курсе чтобы что-то понять нужно сидеть с книжками по матану, линейной алгебре, терверу, статистике, дискретной математике и повторять то что изучал когда-то 5 лет на матфаке. И это только для общего понимания как это работает, для для того чтобы создать свои методы маш. обучения нужны более глубокие знания выше указанных дисциплин. Математика это как синтаксис к машинному обучению. Без знания как работают методы ML будет очень сложно подбирать параметры, ядра и и сами методы. Считаю что язык, библиотеки ML вторичны, зная как все это работает можно эффективно пользоваться любыми языками и библиотеками, а так же самостоятельно реализовывать методы. Как только будут знакомы общие принципы работы наиболее известных методов ML можно сказать что мы прошли введение в ML)). Дальше думаю можно углубляться в ML либо в DeepLearning получать Phd и прочее)) Если начать с нуля без знания математики то для введения в ML возможно понадобится 2-3 года, все зависит от наличия свободного времени. Я не сказал еще о Computer Science из которого нужно знать алгоритмы, структуры данных, БД, языки, паттерны, сети, стандарты и прочее на это может уйти еще 2-5 лет изучения и разработки различного софта.
Почему нет? Например у меня есть python скрипты которым не нужно платить, они генерируют необходимый мне контент, анализируют информацию и прочее, хотя я мог нанять для этого людей. Они не задают вопросы и не откладывают дела на потом) все поведение задаю я. Осталось добавить ML чтобы они стали умнее.
Тоже недавно интересовался данным вопросом, прочитал статью в которой рекомендовали не водить глазами с лево на право, а читать только по середине сверху вниз, конечно, здесь задействовано периферийное зрение. Сходу стал читать намного быстрее, книгу в 200 страниц осилил за 2 часа. На такой скорости удается читать только книги по саморазвитию, то есть те книги в которых нет сложного материала, на технической литературе пока не пробовал эту технику) хотя допустим по программированию можно читать только определенные главы либо только код, опуская описание).
Являюсь вашим давним поклонником и давно хотел спросить, почему не делаете порт своей старой игры «Поле чудес» на iOS? На андроид есть порты и у них по несколько миллионов загрузок.
Будь проще детка)), не беспокойся я каждые 2 года переписываю продукт. Если для тебя вносить багфиксы так важно, значит ты просто скорее всего программируешь плохо, либо это не твое. В общем добра тебе.
Существующие сверточные сети сейчас могут только классифицировать, сегментировать, находить объекты на изображениях — это далеко не весь Computer Vision. Тем более чтобы хорошо научиться нужно не менее 1000-2000 изображений на класс. Про NLP похожая история. До интеллекта как до луны пешком.
На текущем этапе развития думаю возможно создать узко специализированных натренированных помощников, о общем ИИ пока думать рано так как натренировать такую нейронную сеть невозможно так сложность вычисления стремится к бесконечности…