Si quiero ser un experto en Aprendizaje automático, ¿es una buena idea estudiar Matemáticas en lugar de Ciencias de la Computación?

Durante más tiempo hasta el final de mi licenciatura, me hice la misma pregunta.

¿Cometí un error de especialización en ciencias de la computación cuando podría haber elegido las estadísticas?

Muchas ofertas de trabajo requieren un historial en estadística, matemáticas o ciencias de la computación. Durante mi permanencia en la escuela de posgrado, noto la diferencia en la comprensión matemática de los conceptos de Aprendizaje automático y Aprendizaje profundo entre Ph.D. Estudiantes de estadística y yo mismo.

Sin embargo, solo poseer tal conocimiento no es suficiente. Uno necesita poner esa teoría en acción. Mientras son capaces de ejecutar comandos simples en R, los estudiantes de estadísticas luchan a medida que la implementación se vuelve más complicada (especialmente para problemas más grandes). De lo que carezco en la comprensión conceptual, más que compensar la implementación de mi trabajo y producir resultados reales .

No tiene sentido conocer todo teóricamente, pero no poder implementar lo mismo para generar resultados reales. Al darme cuenta de esto, creo que una comprensión equitativa de Estadística y Ciencias de la Computación puede superar las compensaciones de cualquiera. Sumerja los dedos de los pies en ambas aguas y vea cómo va.

• El aprendizaje automático se encuentra en la intersección de matemáticas y CS. Generalmente siento que los bits matemáticos tardan más tiempo en digerirse que los bits CS.
• Si quieres un conocimiento profundo de ML, comienza tu entrenamiento de matemáticas temprano. Intente escalar a través del análisis, el álgebra lineal y una verdadera comprensión matemática de las estadísticas. Pero como dice Alex, definitivamente / obviamente tome cursos genuinos de LD y AI. Cuanto más estudies, más claro se volverá donde están tus debilidades.
• Un programa de matemáticas o de CS incluirá una gran cantidad de material adicional que no es pertinente para el ML. (Sin embargo, estudiar esas cosas es genial de todos modos por el bien de la amplitud).
• En el lado de la informática, las cosas más importantes que se deben entender son las matemáticas discretas, los algoritmos, la programación dinámica en particular y las buenas prácticas de ingeniería de software.
• También es el caso que la mayoría de las clases relacionadas con el aprendizaje automático tienden a estar en el departamento de CS, por lo que los requisitos de un grado de CS pueden alinearse mejor con el objetivo de la experiencia de ML.

Es una buena idea estudiar matemáticas e informática =)

Si no se siente cómodo con la programación y varios conceptos informáticos, entonces se estará perjudicando en la industria.

Si tu objetivo es hacer investigación, me gustaría ir con los grados de matemáticas y agregar cursos de ciencias de la computación como optativos. La matemática lo llevará al punto en el que realmente comprende cómo se construyen los algoritmos y cuáles son sus propiedades teóricas. La topología y el análisis real son particularmente útiles en la investigación de LD (muestra dónde destacará el algoritmo, cómo se desempeñará en diferentes tipos de conjuntos de datos …). Es más fácil tomar algunos de los cursos de ciencias de la computación basados ​​en algoritmos como una especialización en matemáticas que los cursos de matemáticas de nivel superior como una especialización en ciencias de la computación.

En general, estudiar matemáticas es una base sólida. Los jardines de infancia enseñan las habilidades básicas aquí.

Usted equilibra los cursos de matemáticas, estadísticas y cs. Es porque el aprendizaje de máquina por naturaleza no es todo teórico y no todo está aplicado. Muchos modelos se definen en matemáticas. Luego se implementan en las computadoras. Estos residen en bibliotecas estándar en muchos lenguajes de programación.

Depende de usted la profundidad de las disciplinas relacionadas con el aprendizaje automático. Dado el objetivo y el tiempo esperado para lograrlo, usted decide cómo asignar su experiencia.

Como experto en aprendizaje automático, debes conocer las matemáticas o, mejor, las buenas matemáticas. En las estadísticas particolar, en las estadísticas inferenciales particolar, más en las estadísticas bayesianas particolar.

Como experto en aprendizaje automático, también debe comprender la base de CS y saber cómo codificar en al menos un lenguaje OOP. De lo contrario no veo cómo podrías ser un experto en ML.

Como puede comprender, necesita tanto CS como ML para ser un experto.

Para ML, hay un programa de Posgrado en Aalto, Finlandia (Programa de Maestría en Aprendizaje Automático y Minería de Datos) y también parece ser de gran reputación (nunca tomé el Programa de Maestría, es justo lo que leí en otras respuestas de Quora).

Para los estudiantes de pregrado, puede ir al Reino Unido, a los Países Bajos oa otras partes del mundo donde existen programas para IA (por ejemplo: BSc Inteligencia Artificial; Kunstmatige Intelligentie [el programa de los Países Bajos también está disponible en inglés, no se preocupe]). Aunque luego aprenderá sobre la IA y no solo sobre el ML (ML es un subcampo de la IA), creo que suena muy atractivo. Aquí también se encuentra una lista de universidades asociadas con la IA (no necesariamente ofrecen un programa de pregrado de AI como el Reino Unido o los Países Bajos, podrían hacer investigación o lo que sea sobre la IA): Universidades con programas de AI

Si uno quiere ser un experto en aprendizaje automático, debe estudiarlo. Hay aspectos de las matemáticas y la informática en el campo, pero si desea obtener un estado de experto, un estudio de una de estas asignaturas no lo convertirá en un experto en aprendizaje automático. Comience con el curso de aprendizaje automático altamente recomendado de Coursera y continúe desde allí: si se concentra en el aprendizaje automático durante varios años, se volverá bastante competente. Por otro lado, si estudias matemáticas, puedes terminar teniendo muchos conocimientos en álgebra abstracta y teoría de números que no se aplican al aprendizaje automático. Del mismo modo, un estudio de ciencias de la computación puede enseñarle mucho sobre los sistemas operativos y el diseño de software escalable, lo que tampoco es del todo útil en el aprendizaje automático. Entonces, mi consejo, si quieres ser un experto en un campo, estudia ese campo.

Creo que cualquiera de las dos opciones es algo bueno. Pero tal vez puedes intentar encontrar cursos que ofrezcan ML?

Estudié estadística, y creo que es un fondo un poco mejor que las matemáticas, ya que te ofrece una comprensión más directa y una amplia gama de herramientas que se superponen con ML