La academia está ciertamente sujeta a modas pasajeras. Saltar al tren permite a las personas publicar trabajos de calidad inferior, obtener fondos y obtener trabajos que normalmente no podrían obtener. Hay muchas ventajas para elegir temas candentes para la especialización.
Como ejemplo, tome FPGAs por ejemplo. Los FPGA son dispositivos de hardware programables. Si escribo un documento sobre el uso de FPGA para la simulación de hardware, ya que el problema es muy difícil, no podré publicar mucho y, cuando lo haga, a mucha gente no le importará. Si escribo un artículo sobre el uso de FPGA para acelerar el aprendizaje automático, este es un problema mucho más simple y de repente todos están prestando atención. Esto no significa que el aprendizaje automático sea un problema mejor o que sea más útil que la simulación de hardware. Sin embargo, es claramente una fruta más baja para publicación.
- ¿Qué tan difícil es aprender el aprendizaje automático y el aprendizaje profundo si tienes un trabajo diario?
- ¿Cómo utilizaría el aprendizaje automático para resolver este tipo de preguntas: 1 + 4 = 5, 2 + 5 = 12, 3 + 6 = 21, 8 + 11 =?
- ¿El uso de memoria aumenta a medida que aumentan los datos de entrenamiento en redes neuronales profundas?
- Cómo automatizar la selección de características en un conjunto de datos que involucra muchos datos no numéricos
- ¿Cuándo y dónde se usaron por primera vez los términos 'aprendizaje profundo', 'aprendizaje automático', 'ciencia de datos'?