Depende de sus antecedentes y personalidad, pero (i) obtener un título, ya que este tema es complicado y (ii) en mi humilde opinión hacer ambas cosas. Desde la teoría de la motivación temporal, la utilidad (motivación) de una tarea es la expectativa de realizar la tarea * el valor de la tarea dividido por la sensibilidad a los retrasos dividido por el retraso a la recompensa. Para ver los casos de uso (sumergirse directamente), obtiene la parte del valor. Sin embargo, para construir las expectativas que necesita en mi experiencia un enfoque de abajo hacia arriba (una educación sólida). Por ejemplo, es más fácil entender qué salió mal en una herramienta si ha trabajado con las matemáticas detrás de ella que al revés. También es más fácil hacer elecciones apropiadas de técnicas para aplicar, así como validar que el modelo es útil si tienes suficientes matemáticas. Le sugiero que busque un título con énfasis en un dominio en el que el aprendizaje automático es valioso.
Si quiero especializarme en el aprendizaje automático, ¿es más efectivo sumergirme o obtener una educación sólida en matemáticas primero?
Related Content
Cometí un error en mi carta de presentación. ¿Debería reenviarlo?
¿Quiero saber algo acerca de los primeros 3 años en IPM CURSO en IIM INDORE?
Según mi experiencia, realmente depende de hasta qué punto quieras especializarte en el aprendizaje automático.
Tengo una licenciatura y una maestría en Ingeniería Civil y todas las matemáticas básicas se adquieren, incluyendo lagrange, álgebra lineal, cálculo, probabilidad, etc. Te contaré algunas experiencias de mi estudio de aprendizaje automático.
- Empecé a aprender machine learning hace tres años. En ese momento, estudié SVM, red neuronal, regresión logística y algunos algoritmos fundamentales de aprendizaje automático. Sin embargo, solo tenía una comprensión conceptual y sabía cómo usar los paquetes relacionados. Al principio, pensé que esto estaba bien, pero a veces me confundí qué algoritmos debería elegir, y solo ejecuté un montón de algoritmos para elegir el mejor.
- Mientras que, cuanto mejor comprenda las matemáticas detrás de los algoritmos que tiene, mejor podrá usar estas herramientas. Para ser específicos, puedes entender por qué la red neuronal no funciona en la década de 1960 y por qué DNN no funciona en la década de 1970. Cuando entré en el área más avanzada, pasé mucho tiempo en estas matemáticas. A veces lamento no haber seleccionado una especialización en matemáticas.
- No diré que debe tener una base sólida dado que estamos haciendo informática en lugar de matemáticas puras. Pero te recomiendo que tengas un buen historial, entonces encontrarás que vale la pena cuando leas la última publicación sobre aprendizaje automático.
Mis 2 créditos valen. Si puede ahorrar tiempo y gastos, primero vaya a la educación. Matemáticas y aprendizaje automático. Aunque uno probablemente puede descubrir los algoritmos de ML sin ir a la escuela, el problema es que el campo se está desarrollando tan rápido que es difícil de entender
- cuál es actualmente el sabor del mes para la investigación
- qué antecedentes se requieren para comprender la investigación
- qué matemática se requiere para entender los antecedentes
etc. etc. Una buena universidad o incluso un curso de posgrado te equipará con las matemáticas y los antecedentes adecuados para que cuando termines el curso puedas comenzar en el lugar correcto casi de inmediato. Y si ese curso tiene una parte de tesis, incluso puede escribir lo que le interesa y hacer que su profesor le dé buenos consejos sobre la dirección exacta a la que piensa dirigirse después de la escuela.
Necesita conocer los fundamentos matemáticos si desea mejorar los algoritmos existentes. Álgebra lineal, estadística, cálculo, matemáticas discretas, lógica y algoritmos como mínimo. Es más o menos como cabría esperar. Cuantas más matemáticas conozca, más podrá hacer en el aprendizaje automático.
De hecho, ni siquiera puede saber qué es el aprendizaje automático sin tener algunos conocimientos matemáticos.
Ahora, si su objetivo es especializarse en inteligencia artificial general (AGI), entonces necesita saber que esto no es exactamente lo mismo que el aprendizaje automático. El aprendizaje automático es un enfoque matemático. AGI puede incluir enfoques puramente algorítmicos que contienen muy pocas matemáticas. Personalmente, creo que cuando finalmente se realiza un AGI funcional, será de esta manera, y no se basará en el enfoque matemático, pero puedo estar equivocado. Si desea hacer esto, posiblemente necesite matemáticas discretas, incluyendo lógica, teoría de grafos, etc. y algoritmos. Esto es como una comprensión muy profunda de los fundamentos de las matemáticas y la teoría computacional. Sin embargo, en la práctica, muchos enfoques de AGI requieren muy pocas matemáticas. Incluiría cosas como algoritmos genéticos, programación genética, bases de conocimiento, algoritmos gráficos y (difuminando las líneas entre el aprendizaje automático y el AGI) K-NN, k-means, perceptron. Estos requieren en gran medida la informática y / o informática teórica.
Probablemente desee una comprensión básica de varios tipos de matemáticas. Una licenciatura en un campo de STEM debería llevarte allí, posiblemente con un par de asignaturas optativas de matemáticas según el plan de estudios.
Cuando miro lo que parecen faltar los profesionales del aprendizaje automático, noto dos puntos:
a. Falta de teoría y práctica de la informática. Para aquellos sin experiencia en ingeniería informática, vemos la falta de conceptos básicos de CS como la complejidad, la programación dinámica y las limitaciones en lo que pueden codificar rápidamente. A menudo, pedirle a la parte de ML que haga mucho más de lo necesario y ver que tiene un rendimiento inferior.
si. Falta de comprensión de los conceptos básicos de matemáticas. Esto no es matemática avanzada. Por lo general, es algo realmente básico. Pero muchos no lo comprenden ni logran aplicarlo a los problemas disponibles. Esta deficiencia es rara entre aquellos con grados avanzados en matemáticas. Pero sigo pensando que se requiere una comprensión profunda de los conceptos básicos en lugar de cualquier matemática de posgrado.
Habilidades de programación sólidas, una base bien redondeada en matemáticas, CS básico. Si tienes que convertirte en un profesional superior de ML será muy fácil.
Depende de lo que quieras hacer en ML. Si desea ser un teórico y demostrar que tal y tal algoritmo generaliza de manera comprobable, etc., entonces las matemáticas son imprescindibles.
Si sabes que eres una persona más práctica, yo haría CS o algo así. Todavía necesitará álgebra lineal, probabilidad / estadísticas y cálculo multivariable como mínimo en mi opinión para comprenderlo correctamente (si eso es lo que quiere).
En mi opinión, si estás indeciso, personalmente iría con las matemáticas, porque generalmente es mucho más fácil cambiar de matemáticas a cs que al revés. Aunque es realmente obvio lo que te gusta una vez que comienzas a hacerlo.
Matemáticas, lógica, algoritmos y ciencias de la computación!
Las matemáticas te ayudarán a tener una buena lógica, pero no es obligatorio.
La programación de la informática (no se usa, casi todo el mundo hace eso) es importante, tienes que darte un objetivo de aplicación y programarlo tú mismo usando guías de referencia de idiomas. lenguajes de alto nivel como matlab, python pueden ser suficientes. Si no eres tan bueno en matemáticas, puedes usar las bibliotecas de algoritmos existentes, pero es mejor entenderlas antes de usarlas 😉
¡El aprendizaje automático se refiere a algoritmos de búsqueda, optimización de costos (búsqueda de operaciones) y … matemáticas (matriz, derivación, gradiente, jacobiano, hessiano, complejidad, …)!
Creo que vale la pena trabajar para comprender los fundamentos detrás de los sistemas, pero reconozco que la complejidad matemática detrás de técnicas aún más claras, como la regresión lineal o logística, se desvanece rápidamente y se hace difícil entender todo de una vez.
Trataría de entender la idea general que es el núcleo detrás de cómo funcionan los sistemas, pero tratar de entender completamente cada algo / técnica probablemente no te ayudaría mucho. En la práctica, probablemente sería mejor usarlos más y construir una intuición sobre qué usar cuándo y qué técnicas adicionales o más especializadas para acumular sobre ideas más generales.
Creo que necesitas más madurez matemática que las matemáticas reales. Comience con la clase Coursera de Andrew Ng y sea disciplinado sobre aprender cuidadosamente todas las matemáticas que no comprende completamente.
Las cosas que pueden ser útiles incluyen:
-Estadísticas básicas
-Probabilidad básica
-Cálculo multivariable
-Álgebra lineal
Para aumentar las excelentes respuestas dadas aquí, especialmente la de Aditi Patel, puede “simplemente sumergirse”, pero solo si desea permanecer en el nivel de snorkel. Para cualquier cosa más allá de eso, necesitas una matemática sólida.
Puede sumergirse, pero eso lo llevará a unos pocos algoritmos. Que están disponibles y se pueden aplicar. Si desea aplicar inteligentemente una combinación de esos. Necesitas matematicas.
More Interesting
Si quisiera cubrir la canción ‘Hallelujah’ de Leonard Cohen, ¿dónde pagaría las regalías?
Soy bueno en la guitarra rítmica. Quiero cambiar para liderar ahora. ¿Donde debería empezar?
Mi mamá es europea y mi papá es mitad estadounidense y mitad mexicano. ¿Eso me hace mezclar?
Voy a la universidad para unirme al ejército como oficial, ¿qué título debo obtener?