Una carrera académica en ML podría variar desde matemáticas poco sólidas hasta ser muy matemático. Los avances empíricos en el ML atribuyen mucho a la fuerza bruta del trabajo humano últimamente, aunque a veces los aumentos sustanciales en el área provienen de buena teoría (SVM, adaboost). Por lo tanto, para una carrera académica en ML, el éxito depende también de muchas otras cosas además de si su proyecto / programa está más orientado a las matemáticas o no.
Una de las ventajas de hacer una maestría en IA es probablemente el acceso a la cultura de la IA, una cosa que puede ser subestimada con el éxito de uno, que en realidad es bastante diferente de la multitud de matemática; Y uno podría aprender matemáticas en el camino. Otra ventaja es la oportunidad de ganar experiencias trabajando en problemas del mundo más real.
Por otro lado, uno no puede salir mal al ser sólido en matemáticas. Al final del día, las matemáticas le dan una gran agilidad para atacar problemas, ya sea un problema de computación de gradiente distribuido o una anomalía en el modelo. Solo asegúrese de hacer algo de programación para que vea cómo su teoría cobra vida en conjuntos de datos reales.
- Quiero hacer una investigación independiente y publicar un artículo, pero tengo una licenciatura. ¿Debo pedir un asesor en mi universidad para que me sirva de mentor y coautor?
- ¿Cómo puedo auto-estudiar el análisis real?
- ¿Es inútil querer ir al MIT si vivo en el Reino Unido?
- ¿Cuál debería ser la frecuencia de tomar pruebas simuladas para alguien que aparecerá en GATE?
- Quiero hacer una especialización en economía, pero no tengo matemáticas en mi último año de escuela secundaria (12 ° grado). ¿Es la matemática absolutamente necesaria para un estudiante de economía?
Con todo lo dicho, hacer una EM es, en el mejor de los casos, parte de la preparación para una carrera académica. Uno tiene una probabilidad mucho mayor de obtener un doctorado.
