Ambos son aceptables y a menudo pueden complementarse entre sí. Por ejemplo, los nuevos algoritmos de ML fundamentales a menudo pueden impulsar aplicaciones novedosas. Por el contrario, si está tratando de construir algo loco e innovador, es posible que necesite un nuevo tipo de enfoque algorítmico para que sea factible.
Mi investigación tiende a estar más del lado aplicado de ML, aunque es genial cuando obtenemos nuevos conceptos teóricos al tratar de buscar una aplicación interesante. La teoría y la práctica realmente pueden conducirse mutuamente.
Sin embargo, mi recomendación es que si está tratando de hacer ML aplicado en su mayoría, debe intentar crear nuevas aplicaciones. Eso siempre es más emocionante que optimizar la precisión de clasificación del 1-2% en un conjunto de datos que ya se ha resuelto en gran medida. El uso de técnicas simples para resolver un NUEVO problema a menudo es más emocionante para el LD aplicado que el uso de alguna técnica sofisticada para beneficiar marginalmente a uno antiguo.
- ¿Cuáles son algunas buenas ideas de proyectos o ejemplos para un proyecto de curso de Visión de Computadora basado en Aprendizaje Automático?
- ¿Mi reproductor de caja de ritmo aprendió qué canción tocar a continuación?
- ¿Qué es la estimación de máxima verosimilitud?
- ¿Cómo es trabajar en problemas de aprendizaje automático en un entorno empresarial?
- ¿Puede proporcionar las tareas que se le han asignado mientras buscaba una maestría en el campo CS?