CSML (estadística computacional y aprendizaje automático) y ML (aprendizaje automático) son básicamente lo mismo. Los estudiantes de CSML tienen que tomar una clase obligatoria en estadística (modelos estadísticos y análisis de datos) que es estadística estadística clásica clásica y otro curso estadístico de un grupo, en mi opinión, de exámenes estadísticos muy básicos. Los estudiantes de ML en lugar de esos 2 pueden elegir 2 módulos de aprendizaje automático de su elección. Creo que la única diferencia es que, en teoría, CSML debería ser más teóricamente sólido, debido al componente de estadísticas, pero ese no es el caso. Solo tiene un nombre más genial.
La ciencia de datos, por otro lado, es una cosa diferente. El curso se introdujo este año, y está orientado principalmente hacia más la aplicación que la teoría, y diría que también es mucho más ligero.
Tenga en cuenta que muchos de los módulos de firma de aprendizaje automático de la UCL, como el que enseña Deepmind “Temas avanzados en aprendizaje automático” y los dos excelentes cursos impartidos en la unidad de investigación de Gatsby “Aprendizaje no supervisado y probabilístico” y “Inferencia aproximada” no están disponibles para estudiantes de ciencia de datos.
- ¿Cómo se diseñan y desarrollan las nuevas arquitecturas de aprendizaje profundo?
- ¿Cuáles son los populares paquetes ML de adopción (Machine wise)?
- ¿Cuál es el significado de 'distribucionalmente similar' en PNL?
- Cómo hacer ingeniería de características para la regresión no lineal correcta
- Cómo calcular la cantidad óptima de datos de entrenamiento para un pronóstico de series de tiempo usando Python