En el aprendizaje automático, cuantas más estadísticas, álgebra lineal y teoría de la probabilidad conozca, mejor, pero una sólida experiencia en CS le brinda las habilidades para construir un sistema funcional que sea razonablemente eficiente.
En general, no soy un gran fanático de la doble especialización en campos relacionados. Una especialización en estadística o informática con una menor (o algunas clases relevantes cuidadosamente elegidas) en la otra le proporcionaría diferentes puntos fuertes, pero probablemente podría trabajar en el aprendizaje automático con cualquier conjunto de habilidades. Una sólida formación matemática teórica mejoraría en gran medida sus habilidades de demostración de teoremas, lo que podría ser útil si decide investigar en el aprendizaje automático.
Las personas que trabajan en informática deberían al menos sentirse cómodas con algoritmos básicos y estructuras de datos. En estos días, si bien hay una gran cantidad de software disponible, los problemas también están creciendo en escala, y los científicos informáticos generalmente están mejor equipados para tratar estos problemas que los estadísticos.
- ¿Cuáles son los problemas que no podemos resolver debido a los límites de la computación?
- ¿Puede una máquina de turing aceptar una entrada sin detenerse?
- ¿Es posible calcular el número de posibles lazos electorales?
- Teoría de los tipos: ¿la comprensión de la correspondencia de Curry-Howard lo convierte en un mejor programador?
- ¿Cuánto conocimiento de matemáticas se requiere para convertirse en un buen desarrollador de juegos?
Aquellos que trabajan en el aprendizaje automático, además del conocimiento básico de CS, deben tener una comprensión básica de probabilidad y estadística, así como algo de álgebra lineal básica. Cuanto más sepa, mejor, pero nadie es un experto en todo.
En lugar de sobrecargar las clases, podría ser más productivo tomar las más interesantes e involucrarse en algunas competiciones de Kaggle.
