Me encanta esta interfaz entre los campos y realmente disfruto colaborando con colegas de estadísticas. Primero me relacioné con colegas en el área principalmente cuando trabajaba en biología computacional. Hay superposiciones muy grandes entre los campos. Saco mucho de entender sus perspectivas y prioridades.
Creo que los desafíos (metodológicos) de la ciencia de datos se resolverán mediante la combinación de estas dos comunidades. Ciertamente en aquellas áreas donde los investigadores están colaborando y escuchándose unos a otros.
La estadística es una comunidad mucho más grande que el aprendizaje automático, y la estadística también es una profesión (puede convertirse en un estadístico con solo un título universitario). Como profesión, se requiere que aplique sus métodos de maneras particulares para cumplir con ciertos estándares. Esto es importante porque el campo de las estadísticas se trata realmente de la * seguridad y confiabilidad * de las estadísticas, no de las estadísticas en sí mismas.
- Estoy creando un plan de enrutamiento de vehículos con la ruta y el costo más bajos. ¿Sería más significativo el agrupamiento k-k o los vecinos k-más cercanos?
- ¿Por qué el núcleo RBF (función de base radial) se asigna al espacio dimensional infinito, mencionado muchas veces en las conferencias de aprendizaje automático?
- ¿Cuál es la diferencia clave entre un autoencoder variacional y una red adversa generativa, y cuándo debo usar cada modelo?
- Cómo aprender los conceptos básicos del aprendizaje automático dentro de una semana para una entrevista de trabajo
- ¿Qué tan difícil es para un estudiante de pregrado ser aceptado en un grupo de investigación en la universidad?
Esto significa que se aplica en asuntos de gran importancia y, por lo tanto, las conclusiones deben aplicarse de manera conservadora.
Para el trabajo de posgrado, el mundo de los departamentos de estadística es muy diferente. Las limitaciones de la profesión se aplican menos a los investigadores en una nueva metodología estadística (al menos cuando están imaginando en lugar de aplicar).
Esto significa
- Las personas que aprenden en la máquina pueden tener una idea muy engañosa de las estadísticas académicas hablando solo con los estadísticos de ‘trabajo’.
- Hay muchos estadísticos calificados que tienen mucho escepticismo sobre las metodologías de aprendizaje automático porque caen fuera de su ámbito de experiencia.
Pero no debemos permitir que estos problemas nos confundan, ya que siempre una estrecha colaboración y conversaciones regulares de investigadores con diferentes perspectivas nos impulsan hacia adelante.
