¿Es el aprendizaje automático el grado más difícil de realizar?

La informática puede ser una especialización difícil, pero no creo que sea útil clasificar las especialidades difíciles. A nivel de licenciatura, no conozco ningún título en “aprendizaje automático”, aunque sí conozco algunos títulos relacionados con el aprendizaje automático en el nivel de maestría. Más allá de eso, no creo que esta pregunta sea responsable.

En el doctorado. nivel, la dificultad de su problema no se conoce. Puede ser imposible Esto es cierto en todas las disciplinas científicas. El “aprendizaje automático” es fácil si está utilizando clasificadores de acciones en problemas fáciles que probablemente se hayan resuelto antes, pero esto no le dará un Ph.D. La “física” puede ser fácil si está haciendo conjuntos de problemas, pero eso no le dará un doctorado.

El aprendizaje automático puede ser fácil o difícil. Depende de lo que estés haciendo. Lo máximo que puedo decir es que con la mayoría de las ciencias de la computación, no tiene que preocuparse por el fracaso del láser, lo cual es una ventaja.

Recientemente me gradué de la universidad, tuve un par de cursos relacionados con la Inteligencia Artificial.

Su pregunta me recuerda mi primera tarea en el curso de Machine Learning. La tarea fue que hemos dado un conjunto de datos relacionados con el cáncer de piel, tenemos que entrenar nuestras máquinas en el conjunto de datos dado. Después del entrenamiento, la máquina nos informará sobre un caso particular, ya sea cáncer de piel o no.

Tenemos una semana para completar la tarea, pasaron seis días y nadie de la clase ni siquiera tocó la tarea.

¿Pensamos quién en el mundo puede hacer eso? Para resolver este problema, probablemente tendríamos que escribir decenas de miles de líneas de código.

Cuando nuestro profesor llegó a conocer el sentimiento general de la clase hacia la tarea, nos invitó a una sesión adicional de resolución de problemas, donde tenemos que resolver la tarea juntos.

Nuestro profesor resolvió la tarea mientras nos explicaba en literalmente 8-10 minutos. El código general era de aproximadamente 5-7 líneas.

Entonces, mi punto es: Machine Learning es una palabra de moda, parece una ciencia espacial desde el exterior, pero no lo es. Creo que cada persona cuerda puede convertirse en una clase mundial en ML en poco tiempo si hace el trabajo de manera consistente.

Entonces, no es el grado más difícil de adelantar.

VE A POR ELLO.

Además de lo que dijeron las personas anteriores, los avances recientes en el aprendizaje profundo han llevado a una gran cantidad de nuevos conocimientos que parecen difíciles de rastrear a menos que sea su trabajo pasar la mayor parte de su día para mantenerse al tanto del progreso reciente. Pero como cualquier otro tema, hay una base de conocimiento que se entiende bien, y luego hay nuevas ideas que no se comprenden completamente, no se explican claramente y pueden no ser ciertas después de todo. Entonces es difícil aprender eso. Además, la exageración de la IA aumenta la confusión cuando, por ejemplo, para mí, la detección, el razonamiento, la resolución de conflictos y la planificación están relacionados con temas de “IA” muy diferentes pero muy diferentes.

Por el contrario, incluso diría que los investigadores han tenido mucha suerte en los últimos años, ya que muchos simplemente aplicaron o combinaron métodos recientes de aprendizaje profundo en nuevos dominios y, como era de esperar, lograrían una mejora significativa. Es relativamente sencillo descargar un marco de aprendizaje profundo y seguir algunos tutoriales. Sin embargo, parece difícil explicar por qué una arquitectura funciona mejor y si es óptima.

El aprendizaje automático es una de las ramas “más fáciles” de la informática. Por “más fácil” quiero decir que un lego con conocimientos mínimos de matemática / ciencia podría ponerse al día mucho más rápido en ML que en, digamos, gráficos por computadora. Por ejemplo, estudié Ciencias Cognitivas como estudiante universitario: tomé todas las clases normales que toma una licenciatura en Ciencias (matemáticas a través de estadísticas multivariables, estadísticas y teoría de probabilidad, clases de métodos de investigación, etc.) pero solo dos clases específicamente relacionadas con Aprendizaje automático. A pesar de una formación mínima de pregrado, durante la universidad todavía podía leer y comprender los artículos de ML publicados en revistas científicas. También tomé dos clases de química inorgánica como estudiante universitario, pero apenas puedo entender una sola oración de un artículo de revista de química.

¿Qué significa que algo sea duro? ¿Necesitas poner mucho trabajo en ello? ¿No entiendes el tema? El problema es que la “dureza de un sujeto” es ambigua para definir con precisión. Por ejemplo, el sujeto A puede ser difícil para mí, pero encuentro que el sujeto B es pan comido, mientras que es inverso en su caso. Quizás pueda definir la “dureza de un tema” como la proporción de cuántas personas lo conocen. ¿Es esa una buena definición? Bueno, si miras a nivel de población, sí, puedes decir que ML es mucho más fácil para la humanidad que decir una Física, pero si quieres responder “¿Es ML difícil para mí?”, Esa es una métrica terrible.

Por ejemplo, esperaría de un ingeniero eléctrico, físico o matemático que aprenda algoritmos básicos de ML (IA estrecha) rápidamente. ¿Por qué? Porque las matemáticas detrás de ML es lo que cualquier ingeniero / matemático / físico debe saber incluso cuando está borracho (ejemplo para indicar cuán importante es la matemática detrás de ML para ellos: D) para obtener sus respectivos grados. No tienen que dedicar muchas horas, ya que ya necesitan antecedentes.

Conclusión: ML utilizado para IA estrecha es fácil en comparación con otros campos STEM, y eso puede responderse sin ambigüedades (como se explicó anteriormente). Una vez que superamos la IA estrecha e intentamos construir una IA fuerte, bueno, las cosas se vuelven más complicadas a medida que muchas otras ramas de la ciencia se involucran como la biología, la ciencia cognitiva, la computación cuántica, las matemáticas avanzadas, la filosofía, etc., y las personas no tienen una idea de cómo construirlo todavía (sí, es un problema difícil). En el caso de una IA fuerte, ya no se puede decir que el Ingeniero Eléctrico haya necesitado todos los antecedentes por defecto (lo que aprende en las clases en la escuela) para investigar en él, y lo mismo vale para CS / Física / Matemáticas / etc. Entonces, en este caso, la pregunta no puede responderse sin ambigüedades.

Hombre, ¿hablas en serio?

En términos generales, la informática es una asignatura más fácil que muchas otras, como filosofía, derecho, medicina, física e incluso ingeniería mecánica.

En el área de informática, el aprendizaje automático también es una rama mucho más fácil que los gráficos por computadora, la teoría de la computación o la criptografía, etc. De hecho, el aprendizaje automático es probablemente una de las sub-ramas más fáciles de la familia CS.

La razón por la cual ML se considera de alguna manera como la ‘magia’ del siglo XXI se debe a su simplicidad en la teoría y la práctica, pero sin embargo es un resultado poderoso.

Dos hechos:

1. no significa que algo sea difícil solo porque uno puede ganar dinero / encontrar un buen trabajo con él. Estoy bastante seguro de que la teoría electromagnética es mucho más difícil de aprender e implementar, pero no encuentras un buen trabajo en Silicon Valley con ella.

2. Los cursos más populares en los MOOC en línea son los más fáciles. Son desarrollo web y aprendizaje automático.

Si absolutamente Al igual que la física y las matemáticas, es fácil obtener los conceptos básicos, pero mi experiencia es que obtienes muchos aspirantes que piensan que el aprendizaje automático puede resumirse por el teorema de Bayes, pero no tengo idea de lo difícil que puede llegar a ser el nivel de doctorado.

Machine Learning (ML) es una mezcla de:

• Matemáticas (optimización, álgebra lineal, análisis y cada vez más topología). A nivel de maestría, puede encontrar los conceptos básicos de las matemáticas del aprendizaje automático aquí.
• Estadística (teoría de probabilidad)
• Ciencias de la Computación
• Biología (para un ejemplo de aplicación)
• Física (para un ejemplo de aplicación)
• Finanzas (para un ejemplo de aplicación)
• Robótica (para un ejemplo de aplicación)
• Ingeniería general (para un ejemplo de aplicación)

Lo que diferencia a ML con matemáticas, informática o física puras es que, aunque utiliza un superconjunto de ambos campos, también tiene una gran demanda en la industria (el aspecto monetario lo hace más competitivo).

Considero que la informática y el aprendizaje automático son bastante simples, aunque, para ser justos, llevo mucho tiempo trabajando en ello. Creo que la física es considerablemente más difícil, no tanto inherentemente, sino porque está más poblada por idiotas pretenciosos sin la teoría de la mente para comunicarse y sin una apreciación pragmática de la eficiencia. Los informáticos son generalmente practicantes, por lo que implementan. Incluso los investigadores más académicos hacen programación, mientras que los físicos generalmente no hacen nada más que producir papel 🙂

Una computadora tiende a mantenerte honesto. No ofrece mucha ropa nueva del emperador tipo bs. Mientras que los físicos pueden inventar cosas desquiciadas como la teoría de cuerdas.

Los informáticos tienden a ser mejores mentes en mi experiencia. Los físicos pueden ser más especializados de enfoque estrecho.

Elon Musk comenzó con la programación. Jeff Besoz es un informático. Puertas también de informática. John Carmack. Yo. Todo versátil, excepto quizás puertas, que se extienden y dominan otros campos. La mayoría ha intentado cohetes, yo también. Los físicos no hacen eso. Son más débiles y / o más especializados. Entonces producen más material educativo de mierda. No se preocupan tanto por internet. Demasiado a menudo autista y sin vida.

Las cosas más simples que hacen están empañadas por matemáticas muy esotéricas rodeadas de un foso sin explicaciones. Innecesariamente complicado.

La mecánica cuántica, por ejemplo, es bastante simple en principio, pero la notación matemática es como una isla semántica donde solo se le permite entrar arrastrándose durante 4 años a través de un túnel de material educativo de mierda.

Entonces no, ML no es difícil en absoluto. En términos generales, es algo que puede aplicar a los 18 años si es bueno, algunos incluso florecen demasiado pronto y pueden hacer cosas a los 15. Mientras que nadie hace QM teórico práctico a los 18.

Yo diría que no por asomo. El aprendizaje automático tiene lugar en sistemas creados por el hombre de complejidad manejable y función bien definida. En general, los investigadores de aprendizaje automático inventan definiciones que se ajustan a sus propósitos funcionales, y no tienen la dificultad de descubrir qué sucede empíricamente. La principal preocupación empírica se presenta solo durante una fase de prueba, en la que solo prueban el rendimiento de sus algoritmos frente a otros que utilizan puntos de referencia.

Por otro lado, tome la bioinformática o cualquiera de las ciencias biológicas avanzadas actuales (proteómica, genómica, conectómica, etc. o neurociencia), allí, los científicos no están cerca de comprender los sistemas complejos que están estudiando, y los resultados empíricos son casi siempre ambiguos y conjetural.

¿Qué tipo de grado de aprendizaje automático se compara con qué tipo de grado de ciencia espacial / física?

A pesar de los recientes éxitos del aprendizaje profundo, todavía no sabemos por qué funciona tan bien. Entonces, si su proyecto de tesis examina cómo funciona el aprendizaje profundo [es decir, ¿cosas profundas sobre el aprendizaje profundo?], Estará trabajando en un problema que un medallista de Fields encontrará desafiante.

Por el contrario, alguien que trabaja en un gran laboratorio que esencialmente transfiere uno de los algoritmos o sistemas del laboratorio a un nuevo espacio problemático puede no estar haciendo el trabajo más desafiante, incluso si el problema se encuentra en un espacio biológico intensivo en conocimiento difícil como la transducción de señales o la regulación génica .

Como alguien con un título universitario en física y un doctorado en biofísica, he trabajado mucho en el aprendizaje automático tanto en el desarrollo de software nuevo como en el uso de software que otros han desarrollado. Mi experiencia es que lo difícil viene en muchos sabores.

La dificultad de una tesis depende de muchas cosas, como la infraestructura del laboratorio, el proyecto del alumno y la reproducibilidad del trabajo en el que se basa el proyecto de tesis.

La bioinformática es un buen ejemplo de una aplicación de aprendizaje automático que podría hacer una tesis fácil o una tesis difícil según los detalles específicos del proyecto.

Por ejemplo, una tesis de aprendizaje automático de bioinformática podría ser extremadamente difícil si el estudiante necesita desarrollar nuevas técnicas experimentales o escribir un nuevo software para completar su proyecto.

Por otro lado, si el estudiante puede contar con protocolos experimentales establecidos y software de código abierto, responder las mismas preguntas sería mucho más fácil.

Si la tesis del alumno se basa en resultados anteriores que son difíciles de reproducir, el proyecto podría ser imposible incluso con protocolos de laboratorio sólidos y software disponible gratuitamente.

No creo que pueda decir qué grado es el más difícil si está hablando al nivel de ‘aprendizaje automático’ versus ‘mecánica cuántica’. Ese nivel de detalle es demasiado grueso para analizar lo difícil que puede ser una tesis.

Lo dudo mucho. La mayoría de los documentos de aprendizaje automático se pueden entender si tiene una base decente en álgebra lineal, cálculo, teoría de la probabilidad y estadística, todo lo cual se puede obtener en un par de años de un título universitario. Al menos puedo entender la mayoría de los documentos de aprendizaje automático (incluso si no pudiera producirlos) sin tener un título en el tema. Ni siquiera puedo entender ninguno de los artículos recientes en say, teoría de cuerdas.

Dicho esto, hacer una investigación verdaderamente novedosa en aprendizaje automático debe ser realmente difícil. Pero simplemente estamos hablando de recibir un título en algo llamado “aprendizaje automático”.

No tengo experiencia en ciencia de cohetes y no tengo mucha experiencia en física, por lo que no puedo ofrecer una comparación real. Pero sí creo que el aprendizaje automático es mucho más simple de lo que parece. Me salí de la universidad. Pasé una década trabajando en cocinas donde el alcance de mi uso matemático diario era calcular los costos de los alimentos. Aún así, puedo entender e implementar algunos algoritmos básicos de aprendizaje automático, y realmente no ha tomado demasiado tiempo. Las pruebas se complican. Estoy viendo las conferencias de Andrew Ng, lentamente, y definitivamente me pierdo a veces. Pero no más de lo que me he perdido en las conferencias de física o cálculo. Mientras esté interesado, aprender es fácil. Sin embargo, mencionaría que si alguien está buscando elegir qué grado seguir en función de una proporción de dificultad al salario proyectado, solo haga lo que lo haga feliz.

Ja, no, las matemáticas en el aprendizaje automático son triviales en comparación con la ciencia y la física de cohetes. Así es el pensamiento en mi opinión. El hecho de que ML esté en el centro de atención y que los investigadores e ingenieros de ML estén ganando mucho dinero ahora no significa que sean más inteligentes que los demás.

Dicho esto, supongo que te parecería más fácil si estuvieras en el campo, pero aún mantengo mi posición de que el ML es mucho más fácil que la física (aunque no tengo idea sobre la ciencia de cohetes).

Dios no !! Muchas cosas en matemática pura y aplicada, biología y física son conceptualmente y, desde el punto de vista de las complicaciones matemáticas, son probablemente mucho más difíciles que el NM. Pero dado que los algoritmos de ML tienen muchas aplicaciones agradables visibles y tiene la reputación de atraer a buenos estudiantes de ingeniería, tiene esta exageración inmerecida. Vaya a matemática pura o filosofía y vea lo que significa “difícil”.

Según mi experiencia, algunos de los temas par / más difíciles que el aprendizaje automático podrían ser:

• Investigación de gravedad cuántica. Para ser bueno en esto necesitas aprender la teoría cuántica de campos, la teoría de cuerdas.
• Investigación de cálculos cuánticos: necesita comprender algoritmos cuánticos que son tan difíciles de idear.

No estoy seguro de que haya un título específicamente en aprendizaje automático. Tengo una licenciatura en ciencias de la computación, y durante mis estudios en la Universidad de Washington, Tacoma, tuvimos una clase que trató mucho sobre el tema del código de máquina. Y si recuerdo bien, teníamos que representar el código de la máquina en un diagrama de circuito, o al menos en parte. Fue un curso relativamente difícil.

Probablemente ML es la materia más fácil para obtener un título, especialmente en títulos de EE. UU. De estilo de opción múltiple. La razón es que toda la codificación de pensamiento y algoritmo se ha realizado para usted y se ha empaquetado en un software informático para el que esencialmente el estudiante prepara los datos de entrada.

Todo el trabajo intelectual ya ha sido realizado por otros.

Hay habilidades para desarrollar para ser bueno en ML, pero el enfoque para aprender tales habilidades es en una ruta bastante simple y prohibida. Sin embargo, muy pocos parecen estar equipados para dominar tales habilidades, lo que parece provenir de una pérdida general de la capacidad crítica en la educación.

Dependería de la persona que recibe el título, ¿no?

Para algunas personas, el razonamiento lógico exacto de la ciencia es la única forma en que son capaces de pensar.

Sin embargo, coloque a un individuo creativo, alguien con un cerebro desafiante en la misma circunstancia y se desmoronarían.

Algunas personas son incapaces de aceptar la lógica o los hechos como el fin de todo, y no hay nada de malo en eso, pero hasta ahora, al menos según mi conocimiento, las máquinas solo aprenden con lógica verdadera, cualquier otro reclamo hasta ahora es imitación No es verdadera creatividad.

Eventualmente podemos crear una máquina que sueña, que hace que la luz viaje fantástica, y que Dios nos ayude a todos.

El “grado mental más difícil” es aquel para el que tienes la menor aptitud. Hay personas que podrían pasar por una máquina de aprendizaje Ph.D. y ser completamente incapaz de obtener una licenciatura en teatro.