Con un doctorado, tiendes a trabajar en más problemas de “investigación”. Sin uno, tiendes a trabajar en más problemas “aplicados”.
Las personas con un doctorado en aprendizaje automático tienden a obtener trabajos en Microsoft Research, Google, Facebook, etc., con nuevos algoritmos y regularizadores para optimizar o resolver un problema no resuelto. Por lo general, publicarán a lo largo de sus carreras, y su trabajo puede o no tener una aplicación práctica inmediata. Las medidas de éxito aquí son generalmente publicaciones y patentes.
Las personas sin un doctorado tienden a trabajar en problemas de aprendizaje automático aplicados, que existen en casi todas las empresas de tecnología que producen datos. Las personas sin un doctorado en aprendizaje automático también pueden trabajar en las empresas mencionadas anteriormente, pero probablemente obtendrán más tareas de “ciencia de datos” e “ingeniería”, tomando métodos publicados y validados y aplicándolos a sus problemas. Su resultado final es a menudo un producto ML.
- ¿Cuál es el límite de variación, cuándo se usa y por qué es una buena aproximación?
- ¿Qué sucede si utilizo una máquina de vectores de soporte en lugar de la función logística en una red neuronal profunda?
- ¿Es posible desarrollar una máquina que entrene redes neuronales artificiales aprendiendo las características de buenos modelos de red entre los aprendices?
- ¿Qué pasaría si los robots de IA aprendieran a reprogramar su propio programa?
- ¿Es la aplicación de aprendizaje profundo para las tareas de aprendizaje de redes neuronales artificiales con más de una capa oculta?
Hay mucho espacio para el crecimiento intelectual en estas dos carreras, ya que aplicar métodos publicados a datos del mundo real rara vez es sencillo y, a menudo, implica un poco de innovación y comprensión fundamental de ML. Los dos caminos tampoco son mutuamente excluyentes y pueden cruzarse dependiendo de la cultura de la empresa para la que trabajas.
