¿Todavía vale la pena hacer MS en aprendizaje automático clásico o minería de datos sin un módulo en profundidad sobre aprendizaje profundo que está en tendencia?

Sí, particularmente si se basa teóricamente. Algunos problemas aún requerirán técnicas como bosque aleatorio, regresión penalizada o refuerzo (particularmente aquellos en los que necesita comprender la naturaleza de la relación entre los predictores y el resultado, como en el cuidado de la salud). Además, algunos métodos de aprendizaje profundo combinan estos algoritmos clásicos y / o se basan en ellos para crear métodos híbridos para problemas específicos (aprendizaje no supervisado seguido por aprendizaje profundo, por ejemplo).

Creo que al menos deberías estar familiarizado con los métodos profundos.
El aprendizaje profundo es una extensión natural de los algoritmos clásicos de aprendizaje automático, y si se define como experto en aprendizaje automático, también debe conocer el aprendizaje profundo.
Pero eso no significa que tu maestro deba estar en el aprendizaje profundo. Si toda la nueva investigación se concentrara solo en un enfoque profundo, muy pronto llegaremos a un punto de saturación. En mi opinión, no te limites a nada. Comprende toda la teoría y piensa qué dirección te emociona más.

Si su pregunta es “el ML clásico todavía funciona / puedo encontrar un trabajo con el ML clásico”, entonces, en términos prácticos, el aprendizaje profundo ayuda cuando los datos no están estructurados (es decir, texto e imagen), pero generalmente requieren una gran cantidad de datos etiquetados.
Por lo tanto, el aprendizaje automático clásico sigue siendo la respuesta a muchos problemas. Un buen enfoque es comenzar primero con un buen clasificador de trabajo, y solo entonces pensar en qué enfoque profundo puede ayudar. Una buena comprensión del aprendizaje automático debería ser suficiente para un papel de investigación en la mayoría de las empresas.

Creo que hacer un máster en aprendizaje automático vale la pena el tiempo y el esfuerzo.

Estudiar ML clásico probablemente le proporcionará suficientes conceptos básicos para comprender y aplicar conceptos de vanguardia en la literatura de aprendizaje profundo. Dicho esto, no estoy tan seguro de lo que hay en el plan de estudios para los estudiantes de minería de datos.

Una gran parte del aprendizaje automático se basa en conceptos matemáticos de campos relacionados. Esta es también la razón por la cual libros como los elementos del aprendizaje estadístico siguen siendo populares en este campo en rápido movimiento.

Solo recuerde tomar un montón de cursos matemáticos pesados ​​(como en cálculo avanzado, teoría de matriz aleatoria, cálculo estocástico), y lo hará bien.

Gracias por el A2A.

Eso depende de cómo se haga. El aprendizaje profundo es una forma de hacer aprendizaje automático: necesita los conceptos de ML para comprender cómo hacer DL.

Si el curso de estudio que está tomando abarca las matemáticas y las estadísticas detrás de ML, la optimización y la comprensión de datos y problemas (y la relación entre los dos), puede estudiar DL de forma paralela, por así decirlo. No tiene que seguir solo el curso de estudio propuesto por su programa.

No se preocupe tanto por las clases demasiado específicas que reciben una educación completa, pero la experiencia es mucho, mucho más valiosa. Tomaré una especialización en matemáticas / estadísticas de pregrado con experiencia real sobre un graduado de MS sin experiencia.