La investigación académica es más teórica y a largo plazo; La investigación industrial es más aplicada ya corto plazo. Si desea tener un impacto en unos pocos meses, la industria es el lugar para usted. Si desea trabajar en los problemas profundos y tener una oportunidad de muy alto impacto, vaya a la academia. En estos días a menudo escucho cosas como “¿Por qué el aprendizaje automático en la academia cuando la industria tiene muchos más recursos y mucha más gente trabajando en los mismos problemas?” Creo que esto es un arenque rojo. Los investigadores en la industria están bajo presión constante, explícita sobre implícita, para contribuir a los resultados de la compañía, y eso es comprensible. Pero resolver los problemas profundos es más importante que nunca, precisamente por lo generalizado que se ha convertido el aprendizaje automático, y la academia es el mejor lugar para hacerlo.
Lo que hemos visto en los últimos años es que muchas de las personas más aplicadas se han mudado de la academia a la industria. Esto es algo bueno, porque es un camino importante por el cual los resultados de la investigación de campo se transfieren al mundo real, pero también tuvo el desafortunado efecto secundario de que el equilibrio dentro de la academia ahora se inclina demasiado hacia la teoría y lejos de la ciencia experimental. . ¡Entonces necesitamos entrenar a la próxima generación de investigadores experimentales para llenar el vacío!
- ¿Cuál es el lenguaje más cercano al lenguaje de máquina?
- ¿Cómo soluciona un máximo A posterior el problema de sobreajuste en una estimación de máxima verosimilitud?
- ¿Cuál es el estado del arte en la síntesis de texto?
- ¿Cuáles son algunos ejemplos del uso del aprendizaje automático en sistemas distribuidos?
- Cómo usar SVM para clasificar imágenes normales y anormales si se conocen las características
