Como licenciado en Ciencias de la Computación, ¿debería seguir un aprendizaje teórico de aprendizaje automático o un aprendizaje de aprendizaje automático aplicado?

Se me ocurren tres ideas:

1. Me viene a la mente la frase “cuando tienes un martillo, todo parece un clavo”.
2. En teoría, no hay diferencia entre práctica y teoría.
3. El teorema del almuerzo sin almuerzo: el teorema del almuerzo sin almuerzo – Wikipedia, que básicamente establece que no existe el mejor algoritmo de aprendizaje automático que funcione mejor en todas las situaciones.

Ahora, hay mucho que admirar sobre la investigación teórica, pero la mayoría de las personas no son adecuadas para esa línea de trabajo. El trabajo teórico tiende a profundizar en un algoritmo, lo cual es excelente en la medida en que expande nuestro conocimiento colectivo. Si la teoría te fascina, entonces ve teórica.

Sin embargo, si está interesado en problemas prácticos, la teoría tenderá a encajonarlo en un enfoque (que depende del enfoque favorito de su profesor). Si tiene suerte, ese enfoque específico será el enfoque actual o podría ser relevante para un grupo en particular que quiera contratarlo.

• ¿Cómo realizan los científicos de datos la selección del modelo? Al abordar, por ejemplo, un problema de clasificación, ¿cómo eligen los científicos de datos entre regresión logística, SVM, KNN, árboles de decisión, redes neuronales, etc.? ¿Es diferente para Kaggle?
• ¿Cuáles son algunas cosas interesantes que ha publicado el equipo de ciencia de datos de LinkedIn?
• ¿Cómo se pueden aplicar los grandes datos a los pronósticos económicos?
• ¿En qué se parecen y se diferencian los problemas establecidos en CS 109 al trabajo como científico de datos real?
• En un análisis de datos que ha realizado, ¿qué técnicas funcionaron y cuáles no?

Por otro lado, si se hace bien, un curso aplicado podría ser mejor para usted (y una futura carrera en la industria), si le enseña:

1. varios enfoques (para que pueda aprender cómo aprender nuevos enfoques)
2. cómo elegir qué enfoque usar para cada problema
3. Cuestiones prácticas de tratar con datos reales (a menudo desordenados) y problemas reales
4. tratar de entender qué es una solución práctica
5. limitaciones de ML
6. ingeniería de características

(y probablemente un montón de otras cosas que estoy omitiendo).

¡Buena suerte!