Es una cuestión de elección: flotar en aguas poco profundas o bucear en las profundidades del mar … cuanto más profundo vaya, más expuesto estará a lo desconocido y, por lo tanto, la emoción, la aventura resultante y las posibles innovaciones.
En resumen, leer cualquier campo en profundidad le permite comprender los problemas fundamentales y las cuestiones asociadas en ese campo. Puede darle nuevas ideas para mejorar las deficiencias en los enfoques existentes. Esto, a su vez, puede ayudarlo a encontrar nuevos métodos que nadie haya hecho antes. Sin embargo, el libro de Bishop es bastante avanzado, si no tienes experiencia en ML, comienza con un libro simple [1]. Además, el libro de Bishop le brinda una perspectiva de ML (probabilística y bayesiana) y esa no es la única forma en que los profesionales realizan investigación y trabajo aplicado en ML.
Te animo a leer esta publicación para obtener más información: ‘Bloque’ de aprendizaje automático: tengo un martillo pero no clavos.
- ¿Cómo se almacenan y recuperan los datos en un disco?
- ¿Cuál es la diferencia entre la variable de referencia en Java y los punteros en C?
- ¿Cuál es la diferencia entre informática y tecnología de la información en términos de ubicaciones en la industria en empresas como Google, etc.?
- ¿Prefieres contratar a un graduado de CS que tenga un GPA alto o uno que tenga un GPA más bajo, pero que haya pasado su tiempo programando y trabajando en sus proyectos?
- Sistemas distribuidos: ¿Cuáles son algunas diferencias clave entre el modelo de actores y el paralelo síncrono masivo?
Notas al pie
[1] La respuesta de Shehroz Khan a ¿Cuál sería la mejor forma de autoaprendizaje de Machine Learning y Data Science como estudiante? Me gustaría aplicarlo a las predicciones del mercado de valores, la genética u otros campos de la medicina, y analizar y recuperar datos de calidad de la web.