Machine Learning es el estudio de sistemas inteligentes basados en datos. Eso es.
La palabra clave aquí es datos .
Naturalmente, sería una tontería para los informáticos negarse a sí mismos de las estadísticas de siglos. Entonces, si bien es extremadamente difícil encontrar una idea publicada originalmente en una revista estadística sin los giros modernos de ML, los estudiantes de máquina han estado empujando el límite de las velocidades de aprendizaje y los tamaños de los modelos estadísticos.
- ¿Cuál es la forma más sencilla de entender el equilibrio de sesgo-varianza en el aprendizaje automático?
- ¿Debo aprender R o Spark para computación de alto rendimiento?
- ¿R necesita una herramienta de flujo de trabajo visual como RapidMiner y Knime?
- ¿Cuáles son los grandes problemas en la inferencia variacional?
- Cómo interpretar la trama de ACF
Por otro lado, los estadísticos también han tenido dificultades para ponerse al día con los desarrollos de ML. Entonces, no todo es unilateral. El campo de la optimización matemática sigue siendo inspirado por problemas planteados originalmente en ML.
Quizás entonces, ” ML es el matrimonio de las estadísticas y la investigación operativa” es una caracterización más adecuada.
¿Qué hay de las inteligentes estructuras de datos y algoritmos que nos permiten resolver problemas con miles de millones de parámetros? La informática tradicional seguramente merece algo de crédito aquí. Matemáticos también, para la teoría de grafos. Y neurocientíficos para el conexionismo.
En este punto, no tiene sentido jugar el juego de atribución y definir un campo como una simple suma de sus predecesores intelectuales.
(xkcd lo hizo primero)
La ciencia en ML es en última instancia un esfuerzo social y ha desarrollado una identidad colectiva única mucho antes de que comenzara la exageración.