¿Cuáles son las futuras áreas de investigación del aprendizaje automático y el reconocimiento de patrones para comenzar el doctorado y necesito algunas cosas buenas relacionadas con eso? como tesis doctorales y papel para estudiar?

Áreas importantes pero ignoradas

• reconocimiento del sistema natural
• reconstrucción e interpretación derivadas
• patrones naturales de diseño del sistema

Estos no han despertado mucho interés por parte de los científicos computacionales, aunque podría decirse que sería una de las cosas más importantes que la ciencia podría estar estudiando en estos días. La gente todavía parece muy confundida al vivir en un mundo complejo de sistemas naturales que cambian dinámicamente. Los sistemas naturales no tienen diseño matemático, sino orgánico, como una de las razones por las que la ciencia se ha sentido menos atraída por estudiarlos. Publiqué un avance importante en 1999 IJPRAI, Características de la continuidad derivada en forma, que demuestra la capacidad de reconstruir las continuidades no lineales del cambio transformador, que se utiliza como un “patrón” para identificar sistemas naturales.

Al estar diseñados orgánicamente, los sistemas naturales generalmente se desarrollan mediante procesos de flujo no lineal. No puedes escribirlos pero puedes leerlos. La ‘forma primitiva’ utilizada es entonces la continuidad de sus procesos fluidos. Utilizo un método muy simple de regularizar terceros derivados con buenos resultados. También escribí dos documentos largos el año pasado, sobre métodos de lenguaje de patrones para reconocer patrones de diseño que ocurren naturalmente: “elementos” y “calidad de vida minera”. Para aquellos, el principal reconocimiento de patrón ‘primitivo’ es que la organización en la naturaleza es “celular”, con sistemas de organización densa rodeados de zonas de transición con perfiles reconocibles, por lo que, como en física, se puede combinar un enfoque de “caja negra” para contabilizarlos. con otros métodos también

El aprendizaje automático en sí no se completa, la gente encuentra todos los días un nuevo algoritmo de aprendizaje automático basado en una nueva función de resolución o una nueva modificación del algoritmo de aprendizaje automático existente.

puede crear una nueva métrica o una métrica generalizada para muchas áreas.

El aprendizaje automático en sí mismo puede explorarse en muchas áreas.

Al igual que los métodos de conjunto, el refuerzo, el embolsado, hay muchas cosas que los libros blancos aparecen en blanco todavía están bajo reflexión.

mi consejo sería seguir a muchos expertos en estadísticas y ML y también creadores de las principales bibliotecas de ayuda en python y R, sus blogs lo ayudarán a tener una idea de las próximas cosas que también podrían estar resolviendo

Los métodos de conjunto y el análisis de datos topológicos son buenas áreas, como lo es el aprendizaje profundo. Si quieres ejemplos, búscame en Google Scholar (Colleen M. Farrelly), ya que tengo varios documentos de aprendizaje automático de código abierto recopilados allí.

Hay muchos campos interesantes para explorar en Machine Learning. Para tener una visión general, simplemente examine los temas de las principales conferencias en el campo, como: Documentos aceptados | KDD 2012. Sin embargo, le sugiero que siga campos cruzados o aplicaciones como análisis de redes complejas, PNL o bioinformática. Son temas muy candentes. Puede enviarte algunas referencias.

Para un solo tema que se superpone a muchas áreas realmente interesantes, busque el reconocimiento de la marcha.

Ciencias sociales computacionales: ¿Qué campos de investigación estudian actualmente el reconocimiento de la marcha?