¿Es mejor trabajar en una aplicación para algoritmos de aprendizaje automático (por ejemplo, biología computacional), en lugar de trabajar en ML central, ya que el campo ya está maduro y hay menos espacio para mejorar?

Las aplicaciones del aprendizaje automático implican el uso de algoritmos de aprendizaje automático para diferentes casos de uso. Eso tampoco es simple. Debe tener un conocimiento de dominio adecuado para qué caso de uso desea implementar un algoritmo de aprendizaje automático.

Desarrollo de aplicaciones en algoritmos de aprendizaje automático existentes:

• Tener conocimiento de dominio. Como ha mencionado la biología computacional, por ejemplo, necesita saber dónde puede encontrar un caso de uso para implementar el algoritmo de aprendizaje automático.
• Conozca qué métodos de programación son adecuados para implementar los modelos para ciertos casos de uso.
• Aprenda cuán grandes y relevantes son sus datos.
• Entrene y pruebe los modelos con un alto nivel de precisión de prueba

Trabajando en algoritmos básicos de aprendizaje automático:

• Debe conocer todos los modelos y algoritmos existentes relacionados con el aprendizaje automático.
• Obtenga más información sobre cómo un algoritmo funciona mejor que el otro.
• Participe en más investigación para desarrollar nuevos algoritmos y estrategias.
• Entrene y pruebe los nuevos modelos o algoritmos que ha desarrollado.

Los puntos mencionados anteriormente son las cosas básicas sobre ambos enunciados del problema. Puede profundizar para obtener más información sobre ambos problemas y luego elegir lo que desea hacer.

Core Machine Learning es maduro, estoy de acuerdo. Pero si crees que hay menos espacio para mejorar en este campo, entonces puedo decir que tu proceso de pensamiento es totalmente incorrecto. Se están vertiendo miles de millones de dólares en el campo para mejorarlo aún más y el campo aún no se ha vuelto más revolucionario de lo que ya es. Entonces, si quieres trabajar en el aprendizaje automático central, entonces diría que pruebes. Hay mucha innovación que debe hacerse en este campo.

Si crees que estoy equivocado, entonces diría que los campos que has mencionado como Computational Biology ya están implementando modelos de Machine Learning para diferentes casos de uso. Eso no significa que no haya margen de mejora para usar modelos de aprendizaje automático en estos campos.

Si un humano no hiciera nada solo porque una persona inventó una rueda pensando que no hay margen de mejora, hoy en día no tendría un automóvil ni ningún automóvil.

En conclusión, siempre hay espacio para la innovación y la mejora. Solo necesita poner su creatividad y trabajo duro para lograr esa mejora.

Si estás en la industria, definitivamente aplicaciones. Muchos campos no tienen estas aplicaciones, y algunos campos están aplicando ML sin tanto éxito como otros campos, lo que requiere nuevos enfoques para esos problemas.