¿Se está saturando el aprendizaje automático como campo de investigación?

Depende de lo que quieras decir con saturado.

¿Se está volviendo muy popular el campo y es difícil para los extraños descubrir cuáles son las cosas más interesantes? Probablemente.

¿El número de preguntas interesantes en el aprendizaje automático está disminuyendo en relación con el número de personas que se unen al campo? No en mi opinión En todo caso, la maduración del aprendizaje automático ha abierto nuevas puertas para la colaboración con otros campos, lo que abre nuevas vías para la investigación.

Entonces, si bien hay una saturación en términos de la cantidad de personas que trabajan en áreas maduras de aprendizaje automático, hay tantas oportunidades nuevas para crear nuevas áreas de aprendizaje automático que creo que todavía es un momento emocionante para unirse al aprendizaje automático. Por ejemplo:

  • Pensamiento bayesiano en tus pies: incrustando modelos generativos en el aprendizaje por refuerzo para datos revelados secuencialmente
  • Animación de voz basada en datos usando árboles de decisión (descargo de responsabilidad: publicidad propia descarada)

Por supuesto, la maduración del aprendizaje automático también significa que simplemente estudiar el aprendizaje automático “antiguo” o “puro” probablemente no sea suficiente si quieres una carrera de investigación productiva. Tener conexiones con otras áreas será muy beneficioso.

Estos son los momentos más emocionantes en el aprendizaje automático gracias a Deep Learning y está lejos de estar saturado. Muchas empresas han comenzado a contratar personal de análisis de datos y aprendizaje automático para ayudarles a tomar decisiones basadas en datos. Estamos viendo nuevos modelos casi todos los días mejorando el estado del arte para muchos problemas de aprendizaje automático ya existentes. Están ocurriendo avances interesantes, por ejemplo, AlphaGo venciendo al campeón humano en el juego de Go, los autos autónomos se hacen realidad, etc.

La relevancia y la emoción se explica aquí: ¿Por qué el aprendizaje profundo es tan popular y tan demandado en estos días?

De ningún modo. Computer Science and Machine Learning (ML) es para la década de 2010 lo que la electrónica era para la década de 1960, las tecnologías de Internet para la década de 1990.

Pero, la exageración puede reducirse después de un tiempo y puede ser un tema más común al igual que las estadísticas. Cada campo lo usaría, y sería muy común.

Sin embargo, el aprendizaje automático y el análisis predictivo no son nuevos. Ha existido por mucho tiempo. Pero solo ahora con el crecimiento de High Performance Computing, tenemos la capacidad informática de aplicar los algoritmos en los datos.

Mientras haya datos, habrá aprendizaje automático en el futuro previsible. Sin embargo, recomendaría tener un problema interesante para usted. Uno en el que desea aplicar Machine Learning.

Miro algunos de los documentos que aparecen y mi impresión, ¿por qué molestarse en publicar esto? No solo el documento solo está refinando un punto exacto, sino que se necesitó todo un equipo de perchas para hacerlo. Si es así, entonces, en cuanto a la calidad de los trabajadores no editoriales restantes, diría que 99 de cada 100 en ML son probablemente cortadores de galletas algo mediocres. Y cuando cualquier campo está lleno de aspirantes a mí que solo hacen aplicaciones de libros de texto del trabajo de otros, sí, eso tiene la sensación de saturación. Naturalmente, las concentraciones locales de profesionales en lugares como Google y tal vez Facebook (y otros) son más altas, pero estos puntos de densidad no superan la delgadez en otros lugares.

More Interesting

¿Qué significa esto exactamente, "Cambiar los puntos de inicialización durante el entrenamiento" para el aprendizaje profundo?

¿Cuál es la forma mejor y más simple de agrupar productos por sus nombres?

En el aprendizaje de características, ¿cuál es la regla general para decidir el número de parches aleatorios y el número de iteraciones / épocas con respecto al número deseado de nodos / longitud de la característica?

¿Cómo comienza un principiante a aprender el aprendizaje automático?

¿El objetivo de un autoencoder variacional y una red de confrontación generativa es el mismo?

¿Qué debo leer para desarrollar un rastreador web que raspe un subconjunto de Internet y me brinde los enlaces de los sitios web que son tiendas de abarrotes?

¿Qué idioma es el mejor para construir código de producción de aprendizaje automático?

¿Qué se sabe sobre la detección de incertidumbre o vacilación en el texto en lenguaje natural (no en el habla)?

¿Cuáles son algunos de los mejores programas de posgrado de aprendizaje automático que no requieren un título universitario de CS?

¿Cómo se puede imitar la intuición humana en los algoritmos de aprendizaje automático? ¿Es importante el modelado de la intuición en el aprendizaje profundo?

¿Qué tipo de problemas puede resolver AI / Machine Learning en los países en desarrollo?

¿Es posible hacer una selección de características para las tareas de regresión por XGBoost?

Estoy muy interesado en el aprendizaje automático y quiero trabajar en algunos proyectos de código abierto. ¿Qué proyectos puedes sugerir?

¿Por qué la normalización por lotes de las activaciones lineales de una red neuronal no es útil para eliminar el cambio de covariable interno?

¿Cuáles son algunas aplicaciones del aprendizaje por refuerzo (o aprendizaje por refuerzo profundo) en finanzas y economía?