Permítanme comenzar discutiendo la diferencia entre la optimización y el aprendizaje automático:
La optimización cae en el dominio de las matemáticas . Los problemas matemáticos están matemáticamente bien definidos, es decir, hay alguna respuesta que puede obtenerse y verificarse como verdadera dada la potencia y el tiempo computacionales infinitos. La optimización cae en esta categoría: dado un problema de optimización, en principio, puede encontrar una solución al problema, sin ambigüedad alguna.
El aprendizaje automático, por otro lado, cae en el dominio de la ingeniería . Los problemas de ingeniería a menudo no están matemáticamente bien definidos. Por ejemplo, considere el problema del reconocimiento facial. No existe una formulación matemática precisa que describa inequívocamente el problema. Es decir, dadas 100 imágenes de una persona y un poder y tiempo computacionales infinitos, ¿hay alguna manera infalible de reconocer una foto invisible de esa persona? ¡No! La ingeniería se trata de analizar tales sistemas y de crear un “modelo” que explique aproximadamente el comportamiento del sistema. Este modelo ahora es susceptible de tratamiento matemático, utilizando técnicas matemáticas estándar. Esta es precisamente la relación entre el aprendizaje automático y la optimización: el aprendizaje automático implica elaborar un modelo matemático para un problema, que a menudo resulta ser un problema de optimización, que ahora se puede resolver utilizando técnicas matemáticas.
- ¿Cuánto conocimiento de matemáticas se requiere para convertirse en un buen desarrollador de juegos?
- Recientemente he entregado mis tableros (12) y quiero hacer una mecánica BTech. Espero 85% en tableros, pero estoy seguro de que no romperé el avance de IIT. ¿Qué debo hacer, dejar un año y tomar clases de IIT o elegir la universidad solo este año? ¿Es seguro dejar caer un año?
- ¿Resolver acertijos me hará mejor en matemáticas, física, informática o resolución general de problemas?
- Cómo calcular la función de rango en Excel
- ¿Cuál es el estado actual de la computación analógica?
Por lo tanto, ML implica principalmente modelar sistemas inteligentes del mundo real, para hacer cosas inteligentes. Por ejemplo, observar a los conductores humanos para construir automóviles autónomos, resumir documentos grandes, comprender la semántica de imágenes y videos, etc. Esto es muy diferente de los problemas típicos manejados en campos como la investigación de operaciones (como la gestión de la cadena de suministro, la programación, etc. [ver Investigación de operaciones – Wikipedia]), o modelado matemático (astronomía, biología, economía, etc. [ver Modelado matemático]). La programación dinámica es una clase totalmente diferente: hay una función objetivo bien definida para empezar, y no hay un componente de modelado. Por lo tanto, pertenece a las matemáticas, en lugar de la ingeniería. Además, las aplicaciones de ML / AI son enormes.
Por lo tanto, está totalmente justificado tener un campo separado para AI / ML, que se centra en una pequeña clase de problemas de modelado. Es probable que se solapen con otras disciplinas, en términos de problemas resueltos y técnicas utilizadas, pero eso también es cierto entre física-química, física-matemáticas, economía-estadística, etc.