Dirigir algunos comentarios hacia un público profesional (economistas y científicos de datos) ayudaría a crear una atmósfera práctica.
Tengo tres ideas
Las innovaciones relativamente recientes en econometría, por ejemplo, pruebas de Diferencia en diferencia, se han centrado en extraer información de pequeños conjuntos de datos, a menudo compilados manualmente. Alternativamente, utilizando modelos razonablemente sofisticados en conjuntos de datos públicos de tamaño mediano (por ejemplo, PIB, inflación), revisados por varios investigadores.
- ¿Hay algún profesor actual en Asia que tenga un historial con Bayesian no paramétrico, tanto en teoría como en aplicación?
- ¿Cuáles son los tipos de problemas que se pueden resolver con las redes neuronales?
- ¿Existen algoritmos que hacen lo contrario de la detección de anomalías, por ejemplo, señalan ocurrencias regulares en datos ruidosos?
- PCA, 2DPCA vs PCA multilineal: ¿Por qué las imágenes se vectorizan antes de realizar PCA, ICA o LDA, etc.? ¿Por qué no simplemente concatenar imágenes 2D en una matriz?
- ¿Hay casos en que las ideas del aprendizaje profundo hayan sido útiles para problemas de datos pequeños?
ML y ciencia de datos, manejan conjuntos de datos mucho más grandes y han desarrollado un conjunto diferente de herramientas, habilidades y mentalidad necesarias . Asi que:
- Un buen lugar para comenzar sería describir estas diferencias de mentalidad, bajo el tema de “cerrar la brecha”. Sería clave proporcionar algunos ejemplos de posibles errores culturales (p. Ej., La culpa de un aprendiz de máquina sobre mecanismos causales o preguntas de identificación).
- Después de eso, pase a las barreras técnicas en términos de habilidades. ¿Qué debe hacer un aspirante a Ph.D. ¿O un economista profesional que busca combinar ideas en ambos campos busca aprender sobre ciencia de datos? (¿Qué pasa con viceversa, para un científico de datos?) ¿Cuánto tiempo deben esperar antes de lograr una competencia razonable? ¿En qué preguntas de investigación y herramientas técnicas deberían enfocar sus esfuerzos? ¿Por qué?
- Porque es probable que muchos brechadores sean emprendedores Ph.D. candidatos, es posible que desee traer algunos doctorados económicos recientes que han hecho la transición a la ciencia de datos. Yo personalmente recomendaría a Michael Bailey.