¿Es sabio hacer una tesis de maestría en el área de agrupación espectral?

Answer 1

¿Por qué no sería sabio? Los “vagones de la banda” (es decir, lo que sea que actualmente sea popoluar) van y vienen, pero la ciencia continúa sin embargo =]

En resumen, la disciplina del aprendizaje automático es mucho más amplia que el simple trabajo en redes neuronales artificiales (o “aprendizaje profundo” si se quiere), y no debemos olvidar la gran cantidad de trabajo que se realiza en otros lugares del campo, a pesar de donde sea que el centro de atención pueda Actualmente se brilló en. En mi humilde opinión, los mejores descubrimientos en Machine Learning aún están por venir y vendrán del trabajo también fuera de este subdominio. Y además, la investigación de otras líneas de trabajo tiende a encontrar su camino en el trabajo en redes neuronales.

No elija un tema en la escuela de posgrado (es decir, maestría o doctorado) porque es “lo que todos los demás están haciendo”. De hecho, mencionaré que “la hierba siempre es más verde del otro lado”. Por ejemplo, elegir trabajar en “aprendizaje profundo” (especialmente b / c es simplemente lo que es popular) significa que se encontrará con un problema aún más desafiante, lo que en broma llamo “carrera de ratas”. Dado que las arquitecturas neuronales son actualmente un tema tan candente, todos están inundando el campo y peleando sobre quién llega a las nuevas ideas (incluidas las propias) “primero”, sin duda haciéndome reflexionar de vez en cuando si nosotros, como disciplina, realmente comprendemos el concepto de “asignación de crédito”. Se convierte en una carrera impulsada por la ansiedad solo para presentar sus ideas lo antes posible (de lo contrario, corre el riesgo de ver ver su propia idea amada en la que ha estado trabajando durante meses, simplemente aparece en arXiv por otro grupo antes de que haya tuve la oportunidad de terminar tu trabajo y hacer un buen trabajo).

Le sugiero que elija un tema porque: 1) es lo que le apasiona / le interesa, 2) siente que puede contribuir. Esta es la forma de garantizar el éxito, ya que lo ayudará incluso cuando el tema en sí se convierta en “lo que todos los demás están haciendo” y lo mantendrá avanzando hacia conocimientos más profundos. Además, si tiene la intención de continuar con un doctorado, debe mostrar a aquellos a quienes solicita que es capaz de hacer una investigación de buena calidad; el tema generalmente es menos importante en ese caso. Se trata de cómo identificó un problema y cómo resolvió el problema (ya sea desde un punto de vista científico o de ingeniería). Si elige trabajar en la optimización del agrupamiento espectral, todo lo que tiene que hacer es “venderlo”, identificar aplicaciones y otras líneas de investigación que podrían beneficiarse de su contribución. En última instancia, esto es lo que los profesores generalmente buscan en estudiantes potenciales.

Answer 2

Deep Learning (DL) es definitivamente popular y exitoso, pero ni todos están haciendo DL, ni DL se puede aplicar en todas partes. DL se refiere a un conjunto específico de algoritmos utilizados para manejar tipos específicos de problemas [1]. Un obstáculo importante: necesita una enorme cantidad de datos para construir una estrategia DL exitosa.

Hay dos tipos de investigadores: los que siguen la tendencia y los que siguen lo que consideran correcto. El primer tipo de personas puede ganar a corto plazo, puede hacerse rico y famoso también. El segundo tipo mira la imagen más grande, intenta resolver un problema desde su punto de vista significativo y no solo si está de moda y estadísticamente hablando es más exitoso a largo plazo.

Un buen profesor puede identificar fácilmente si está haciendo DL solo por el gusto de hacerlo o si realizó alguna investigación sustancial al respecto. La aplicación de las bibliotecas DL existentes en algunos datos aleatorios no le permitiría ingresar a ningún programa de doctorado, incluso si ingresa, enfrentará muchos problemas en el programa de doctorado más adelante. Tienes que demostrar potencial de investigación. Si puede hacer una investigación en el campo de DL, entonces será increíble. De lo contrario, elija cualquier campo con el que desee avanzar y siéntase cómodo. Nunca se sabe que este ‘algo’ mundano en el que está trabajando hoy se pone de moda mañana. Las redes neuronales estaban casi muertas hace una década y ahora forman parte de la cultura ML-hipster.

Buena suerte.

Notas al pie

[1] ¿Qué es el aprendizaje profundo? ¿Por qué es esta una tendencia creciente en el aprendizaje automático? ¿Por qué no usar SVM?