Estudiar ML en la escuela de negocios requiere que te concentres más en problemas prácticos que en tecnologías. Esto significa que en su investigación, debe responder la pregunta sobre cómo resolver su problema en función de la observación que obtiene de ML. Otra diferencia principal es sobre el conocimiento del dominio. Ahora el aprendizaje profundo ha sido el tema más popular en ML. Los métodos de aprendizaje profundo, como las redes de creencias profundas, buscan construir algoritmos inteligentes que sean independientes del dominio. Sin embargo, para la inteligencia empresarial, diseñamos el modelo ML basado en el conocimiento de un dominio específico. Por esta razón, a menudo preferimos usar algoritmos más simples como SVM, HMM, etc. Por supuesto, también estamos entusiasmados con la potencia de los algoritmos avanzados de ML como el aprendizaje profundo, pero de todos modos, nos preocupamos más por las aplicaciones que por las tecnologías avanzadas.
Para trabajos, sí, en general, no enviamos nuestros documentos a conf. como ICML. La razón es la misma, no estamos concentrados en tecnologías avanzadas. La mayoría de nuestros documentos se enfocan en resolver problemas de optimización o en construir sistemas de soporte de decisiones. Si trabaja en el aprendizaje automático, simplemente utiliza esta tecnología para resolver su problema. En realidad, muchos de ellos no están familiarizados con ML, entonces podrían usar otros métodos como la dinámica de sistemas.
- ¿Cuáles son algunos proyectos que un estudiante de ciencias de la computación puede hacer en el semestre final en el campo de big data y análisis de datos?
- ¿Qué se debe saber para tener éxito en la ciencia de datos?
- Cómo concentrarme en mis planes (ciencia de datos y programación) para vacaciones de verano
- ¿Vale la pena hacer el Programa de Diploma de Postgrado en Ciencia de Datos de Manipal Global Academy of Data Science?
- ¿Cómo es ser un científico de datos en IBM?