En Machine Learning, comienza en la parte inferior de la pirámide DIKW y camina hacia arriba (desde un punto de vista epistemológico). Hasta ahora no he oído hablar de estudiantes de máquinas alérgicas a los datos (corríjame si me equivoco). En mi humilde opinión, simplemente no hay ningún ML sin datos.
Por lo tanto, el bete noire perfecto para Machine Learning sería lo que yo llamaría aprendizaje Kekule-Archimedean , que implica un estricto recorrido descendente con respecto a la pirámide DIKW.
No comienzas con datos.
En su lugar, comienza con una brillante intuición (como un momento Eureka o un sueño Kekulean) que emana del profundo pensamiento intelectual no necesariamente impulsado por evidencias (lectura de datos) y usa datos solo en la fase de validación de conceptos.
En ese sentido, es muy platónico donde ” aprender es el desarrollo de ideas enterradas profundamente en el alma, a menudo bajo la guía de un interrogador “. Fuente: epistemología platónica.
Creo que la mayoría de los paradigmas hipotético-deduccionistas caen en algún lugar entre los dos mundos.
- ¿Puedo comenzar a aprender herramientas de big data (Hadoop y MapReduce) antes de aprender Machine Learning?
- ¿Cuáles son las principales diferencias entre las líneas de comando de Linux y Mac OS X?
- ¿Cómo dibuja una línea en la pantalla un programa de gráficos por computadora? Del código de alto nivel al nivel de la tarjeta gráfica, ¿qué sucede?
- ¿Cuánta potencia informática tenía IBM SAGE?
- ¿Qué NIT es mejor para CS?