Hace un par de años escribí sobre ai, diciendo que para cuando alguien hubiera pasado 5 años haciendo un título y un doctorado, terminarían trabajando para el perro que llegó allí mucho antes que ellos. Quizás es hora de una repetición …
Business Analytics es antiguo: baja por la pista de esquí de la curva de Bell. Eso está bien: todavía hay muchas grandes compañías lentas que quieren aviones no tripulados en su departamento de datos que preparan datos para alimentar guerras territoriales entre sus ejecutivos de suite C.
Mientras tanto, las universidades igualmente antiguas y lentas ahora se están especializando en sacar dinero de la promesa “puedes ser un científico de datos”. £ 50k para nuestro curso de 3 años, £ 10k para nuestro Bootcamp. Esa es una señal de que ya han pasado la fase inicial de adopción y están en “vender mejor esta acción anterior antes de que baje el precio”.
- Cómo curvar datos de ajuste con un modelo desconocido
- ¿Hay alguna manera de comprimir una gran cantidad de datos a un tamaño muy pequeño como en una bomba zip?
- ¿GoLang es una mejor opción de lenguaje de programación para proyectos de aprendizaje automático manteniendo el rendimiento y la escala horizontal como las principales preocupaciones de diseño?
- ¿Por qué se utiliza el índice de mapa de bits en el almacenamiento de datos?
- ¿Cuál es la herramienta de big data más fácil que se puede utilizar para el aprendizaje automático?
Tampoco es una buena respuesta. Tomarán mucho de su dinero y lo convertirán en un dron de big data. En cambio, muévete más allá de la ciencia de datos …
La IA es un sector caliente. Como es ML (aunque no son lo mismo) y el hermano mayor de ML Deep Learning. VR / AR, Blockchain, fabricación aditiva (que ha avanzado mucho más allá de la impresión 3D), los vehículos autónomos y la nanotecnología también se están moviendo rápidamente. Python sigue siendo una tecnología central, especialmente en combinación con algo como el aprendizaje de sci-kit (no se moleste con R, que se trata de visualización de datos para la multitud de OWM). Mira las aplicaciones también. La visión por computadora, por ejemplo, requiere diferentes habilidades que el procesamiento del lenguaje natural a pesar de que ambos son ai. Por último, pero no menos importante, las empresas están actualmente por delante de las universidades en muchos campos: a menudo sería mejor capacitarse en el trabajo en lugar de capacitarse para obtener uno.
