En realidad, mi tipo de problemas que amo en el aprendizaje automático (ML) son proyectos de larga duración que amplían mis habilidades e imaginación. Me conmueven más los problemas por los cuales puedo sentarme. Intento ver el problema desde múltiples perspectivas. De esa manera, los problemas que persigo siempre traen nuevos desafíos en lugar de hacer lo mismo una y otra vez como mencionaste, la limpieza de datos. Personalmente, estoy menos involucrado en proyectos competitivos de pirateo rápido.
En resumen, sí, los problemas parecidos a Kaggle son intelectualmente aburridos.
Pero de vez en cuando uno puede probar uno o dos problemas de aprendizaje automático tipo Kaggle, no duele.
- ¿Cuántos 50 mg / ml hay en un vial de 10 ml de EP?
- ¿Debo escribir el código de Random Forest por mi cuenta o usar implementaciones existentes?
- ¿Cuál es el mejor marco de minería de datos?
- ¿Cómo debo comenzar con las redes neuronales recurrentes?
- Cómo estructurar sus proyectos de aprendizaje automático
Pero no digo que sean desafíos aburridos, hay proyectos interesantes y muy desafiantes como:
- Desafío de comprensión de video de Google Cloud y YouTube-8M
- Pares de preguntas de Quora | Kaggle
Me encantaría trabajar en ese tipo de problemas, pero siento que, a veces, el tiempo requerido para resolver realmente estos problemas desafiantes no es suficiente dado el apretado marco de tiempo de los desafíos. Por lo tanto, los Kagglers normalmente se ven obligados a probar empíricamente una variedad de enfoques en lugar de elaborar cuidadosamente una solución novedosa e intuitiva para el problema.
Entonces, en parte, las tareas de burro que mencionó en el detalle de la pregunta surgen porque no hay tiempo suficiente para encontrar soluciones intuitivas novedosas adecuadas para el problema.
Estoy seguro de que los problemas de Kaggle son interesantes, pero el marco de tiempo es demasiado apretado. Normalmente necesito un poco de espacio en el codo para eliminar el problema.
Espero que esto ayude.
