En mi opinión, absolutamente.
Muchos resultados en estadística y modelado se desarrollaron por primera vez para aplicaciones en física.
Por ejemplo, el análisis de componentes principales es una adaptación de encontrar ejes principales (vectores propios) de cuerpos rígidos giratorios. El objetivo en física es encontrar una base que desacople los momentos de inercia, que es el segundo momento de la distribución de masa de un cuerpo. Análogamente, el análisis de componentes principales busca desacoplar las correlaciones o covarianzas de características, donde la varianza es el segundo momento de la distribución de datos.
- ¿Qué herramientas se requieren para hacer un proyecto en Hadoop Big Data?
- ¿Necesito saber cómo construir algoritmos de aprendizaje automático o simplemente puedo usar algoritmos que se envían con bibliotecas python o R?
- ¿Cuáles son algunos algoritmos de recuperación de información de los que siempre debe tener una sólida comprensión y por qué?
- ¿Qué opinas de los programas de maestría ofrecidos por Data Science Tech Institute (París)?
- ¿Cuál es el extremo superior absoluto que puede ganar un científico de datos?
La teoría de la información y los conceptos de entropía de la información utilizados en clasificadores como los árboles de decisión se derivan de la física estadística, donde estos conceptos se desarrollaron por primera vez.
Las regresiones logísticas son matemáticamente muy similares a las funciones de partición.
Y así.
Entonces, tener un fuerte dominio de la física ya lo prepara muy bien para tener una comprensión intuitiva de gran parte de lo que está sucediendo en la ciencia de datos.
No es obligatorio, por supuesto. Podrías aprender todo esto independientemente de la física, pero creo que tener una comprensión física concreta me permite internalizar mejor algunos de los conceptos abstractos comúnmente utilizados en la ciencia de datos.
