机器学习英雄访谈录之 DL 实践家:Dominic Monn

机器学习英雄访谈录之 DL 实践家:Dominic Monn

Sanyam Bhutani 是 Medium 上一位专注 ML 和 CV 的博主,本系列翻译自他进行的系列采访——《机器学习英雄访谈录》。

学习从模仿开始,要模仿就要模仿那些最棒的人,这是我开始本系列的初衷。



今天采访的是 Dominic Monn,一位伟大的领袖、缔造者、社区领导者、自驾车工程师和远程工作的 DL 工程师。1


Sanyam: 嗨,Dominic!感谢你接受这次采访,我很高兴能够采访你。

Dominic: 嗨,Sanyam,很高兴和你谈话!

Sanyam: 你是我在 2018 年见过最好的(AI)实践家之一,你能向读者介绍下你自己吗?

Dominic: 哦,很荣幸:) 我的名字叫 Dominic,我今年 20 岁,是 Loom.ai2 的深度学习工程师。该公司坐落在旧金山,我在瑞士远程工作。除此之外,Loom.ai 是三星 AR Emoji 背后的公司。

在此之前,我在苏黎世做 NVIDIA 的深度学习实习生。在 Udacity 拿下自驾车工程师的 Nanodegree 之后,我到了那里。

Sanyam: 了不起。工作之外,你还在许多平台上工作,你能分享一下这些吗?

Dominic: 我喜欢用我的周末和空闲时间来建立业余项目。占据我大部分时间的两个项目是 MentorCruise,这是一个将学生与技术经验丰富的导师联系起来的市场;以及 RemoteML,一个全球性的社区和招聘栏,全部关于机器学习方面的远程工作。

我一直在寻找下一个要解决的问题和下一个要开发的产品,这很赞。

Sanyam: 你现在是一位经验丰富的实践家,但是第一件让你对 AI 感兴趣的事是什么?

Dominic: 我从软件工程开始,经历了 4 年的学徒生涯,当时在一家软件和网络代理商工作。在做了 2 到 3 年的 web app 和网站之后,我感到厌倦并开始寻找新的方向,我开始尝试使用“虚幻”引擎和游戏开发,然后对 UX 有一点兴趣并最终进入 AI / ML。

Sanyam: 有没有一个时间点,你决定要把它(AI)作为你的职业?

Dominic: 我对机器学习的兴趣始于另一个业余项目。我在 Kaggle 从基础起步,并最终拿到了 Udacity 的 Nanodegree。我总是喜欢尝试,并顺应我的专业(从事研发)路径。当我有机会去 NVIDIA 时(尽管软件工程师提供了更多赚大钱的 offer),我抓住了机会。

Sanyam: 你提到过一些你正在为之工作的优秀平台,我个人知道你可以非常快速地交付代码。你如何设法完成多项任务?你的秘诀是什么?

Dominic: 当我醒来时,我总是知道我今天会做些什么。我使用 Todoist 在前一天晚上计划一整天的事项。我全职工作,这占用了我的大部分时间,所以在两餐、散步、锻炼和睡觉之间,我需要知道我今天能做些什么。关键是要快速行动,不要害怕交付。

我的每个项目都有一个很大的 to-do list。有些更重要,通常可以快速完成,其他一些已经躺在 list 几个月了。这一切都与管理预期、切分工作和快速交付有关。

Sanyam: 我们聊聊你即将到来的冒险。我们可以从 Logits.co 中得到什么?

Dominic: RemoteML 最初是一个小型的求职栏。如今,我们在全球拥有超过 750 名会员,其中大部分都热切希望在机器学习领域做些工作。公司和初创公司可以使用 Logits.co 进入该社区,为他们的项目聘请自由职业者。我很高兴看到它正在如何发挥作用。

Sanyam: 在我们结束之前,你会给那些刚接触 ML 领域的人提供什么最好的建议?

Dominic: 不要害怕尽早出名以及做基础的工作,无论是商业还是机器学习。快速交付并获得实习,下决心,剩下的就是水到渠成。

Sanyam: 在哪里能与你取得联系或关注你的工作?

Dominic: 我在 Twitter(@dqmonn)上非常活跃,我的 DM 已经开了。RemoteML Machine Learning Chat 上我也几乎总是在线,所以一定要在那里找我。

Sanyam: 非常感谢你在这次采访中的谈话。


  1. 应该是在调侃龙妈的一连串称号。?
  2. Loom.ai 是位于美国旧金山的一家计算机视觉公司。?

原文地址:https://www.cnblogs.com/xuruilong100/p/10171361.html

时间: 2024-10-10 02:58:45

机器学习英雄访谈录之 DL 实践家:Dominic Monn的相关文章

机器学习英雄访谈录之 DL 自由职业者:Tuatini Godard

目录 机器学习英雄访谈录之 DL 自由职业者:Tuatini Godard 正文 对我的启发 机器学习英雄访谈录之 DL 自由职业者:Tuatini Godard Sanyam Bhutani 是 Medium 上一位专注 ML 和 CV 的博主,本系列翻译自他进行的系列采访--<机器学习英雄访谈录>. 学习从模仿开始,要模仿就要模仿那些最棒的人,这是我开始本系列的初衷. 正文 今天我们要采访的是 Tuatini Godard.我的好朋友,一位来自法兰西的的深度学习自由职业者. Sanyam:

机器学习英雄访谈录之 Kaggle Kernels 专家:Aakash Nain

目录 机器学习英雄访谈录之 Kaggle Kernels 专家:Aakash Nain 正文 对我的启发 机器学习英雄访谈录之 Kaggle Kernels 专家:Aakash Nain Sanyam Bhutani 是 Medium 上一位专注 ML 和 CV 的博主,本系列翻译自他进行的系列采访--<机器学习英雄访谈录>. 学习从模仿开始,要模仿就要模仿那些最棒的人,这是我开始本系列的初衷. 正文 这次我采访的是 Aakash Kumar Nain,一位 Kaggle kernel 专家.

认识:人工智能AI 机器学习 ML 深度学习DL

人工智能 人工智能(Artificial Intelligence),英文缩写为AI.它是研究.开发用于模拟.延伸和扩展人的智能的理论.方法.技术及应用系统的一门新的技术科学. 人工智能是对人的意识.思维的信息过程的模拟.人工智能不是人的智能,但能像人那样思考.也可能超过人的智能. 人工智能的定义可以分为两部分,即"人工"和"智能". 机器学习 1.    什么是机器学习 根据等人事件中判断人是否迟到了解什么是机器学习,具体参见地址:http://www.cnblo

【机器学习实践一】搭建心脏病预测案例

产品地址:https://data.aliyun.com/product/learn?spm=a21gt.99266.416540.102.OwEfx2 一.背景 心脏病是人类健康的头号杀手.全世界1/3的人口死亡是因心脏病引起的,而我国,每年有几十万人死于心脏病. 所以,如果可以通过提取人体相关的体侧指标,通过数据挖掘的方式来分析不同特征对于心脏病的影响,对于预测和预防心脏病将起到至关重要的作用.本文将会通过真实的数据,通过阿里云机器学习平台搭建心脏病预测案例. 二.数据集介绍 数据源: UC

我的机器学习/数据挖掘的书单

李航的<统计学习方法> 这本书开篇第一章写得特别好,各个模型的算法推导也比较全,基本涵盖了比较经典的判别模型和生成模型. <机器学习实战> 这本书代码和应用特别多,了解python用法和机器学习算法的代码实现非常方便. 项亮的<推荐系统实践> 这本书个人感觉偏理论一点,伪代码看着都实现不了,不过关于推荐系统的整个架构讲得挺清楚的,各种推荐引擎的算法设计,基于内容的,基于邻域,基于便签,基于地点和时间(context)等等,最后将这些推荐引擎融合,排序,过滤等等就构成了推

28款GitHub最流行的开源机器学习项目

http://ml.ailab.cn/article-76485.html 现在机器学习逐渐成为行业热门,经过二十几年的发展,机器学习目前也有了十分广泛的应用,如:数据挖掘.计算机视觉.自然语言处理.生物特征识别.搜索引擎.医学诊断.DNA序列测序.语音和手写识别.战略游戏和机器人等方面. 云栖社区特意翻译整理了目前GitHub上最受欢迎的28款开源的机器学习项目,以供开发者参考使用. 1. TensorFlow TensorFlow 是谷歌发布的第二代机器学习系统.据谷歌宣称,在部分基准测试中

[CUDA] CUDA to DL

又是一枚祖国的骚年,阅览做做笔记:http://www.cnblogs.com/neopenx/p/4643705.html 这里只是一些基础知识.帮助理解DL tool的实现. “这也是深度学习带来的一个全新领域,它要求研究者不仅要理论强,建模强,程序设计能力也要过硬,不能纸上谈兵.” CUDA的广泛应用造就了GPU计算专用Tesla GPU的崛起. 随着显卡的发展,GPU越来越强大,而且GPU为显示图像做了优化.在计算上已经超越了通用的CPU.如此强大的芯片如果只是作为显卡就太浪费了,因此N

深度学习 - DL

雷锋网 - 2016 | 人工智能在深度学习领域的前世今生(原文链接) Deep Learning - DL,深度学习是机器学习的一种. 深度学习实践的四个关键要素 计算能力 算法 数据 应用场景 参考: :

关于”机器学习:概念与理解“系列

"机器学习:概念到理解"系列,我本着开放与共享(open and share)的精神撰写,目的是让更多的人了解机器学习的概念,理解其原理,学会应用.现在网上各种技术类文章很多,不乏大牛的精辟见解,但也有很多滥竽充数.误导读者的.这个系列对教课书籍和网络资源进行汇总.理解与整理,力求一击中的,通俗易懂.机器学习很难,是因为她有很扎实的理论基础,复杂的公式推导:机器学习也很简单,是因为对她不甚了解的人也可以轻易使用.我希望好好地梳理一些基础方法模型,输出一些真正有长期参考价值的内容,让更多