現在は、AI Fund の立ち上げ、Landing.ai の CEO 、そして Stanford の教授として活躍する人工知能の第一人者 Andrew Ng 氏。ACM (国際計算機学会) の生涯学習のウェビナーにて「機械学習キャリアの築き方」という内容で話をした動画が、とても良いアドバイスが満載でしたので、ここでまとめと共に紹介します。 Andrew Ng on Building a Career in Machine Learning AI は技術的ブレイクスルー 多くの機会 多くのキャリア機会 素晴らしいキャリアを築いている人は何が違うのか どうやってインパクトのある、人の役に立つ仕事ができるか 技術ポートフォリオ 分野 x 知識の深さ 広さと深さ、両方を持つ 広さ 広さを身につけるには、コースを取る (大学、MOOC)＋論文を読む コースとして整備されていない知識 (例: AI +

Y Combinator の代表サム・アルトマン氏による「生産性」と題されたブログ記事。弱冠三十代にして Y Combinator の代表を勤め、OpenAI の創立に関わるなど、本人も書いているように、生産性が非常に高い人物の一人であることは言うまでもありませんが、生産性を高めるためのアドバイスが詳細に書かれています。 本人の生産性や哲学等については、以前のインタビュー などでも断片的に語られていますが、こういってまとめて書かれていると、生産性を高めるための本人の考え方や試行錯誤がよくわかります。 はじめに 「複利効果」は金融だけではなくキャリアにも魔法のような効果がある。 小さな差であっても50年間積み重ねることで大きな差に。生産性を高めることには意義がある 10%多くの仕事をこなし、毎日1%ずつ向上すれば、そうではない人との差は大きなものに 何に取り組むか 生産性のために最も重要なの

Google のリサーチ・サイエンティストである Martin Zinkevich 氏によって書かれた、機械学習を使った良いプロダクトを開発するためのコツを集めた記事。エンジニアが良い機械学習プロダクトを作るには、機械学習の専門知識が無いことに苦心するのではなく、得意なエンジニアリングの技術を活かすことが重要、というのが主な趣旨です。 紹介記事：Rules of Machine Learning: Best Practices for ML Engineering はじめに ほとんどの問題はエンジニアリングに関する問題である 性能向上は、良い機械学習のアルゴリズムではなく、良い素性によってもたらされる 機械学習の前に ルール1. 本当に必要になるまで機械学習を使わない ルール2. まず指標を設計、実装する ルール3. ヒューリスティックが複雑になりすぎる前に、機械学習に移行する フェーズI