¿Qué son las subáreas científicas en el aprendizaje automático, que podrían elegirse como tema de doctorado?

El aprendizaje profundo es un tema potencial de doctorado candente, especialmente la realización de redes de aprendizaje profundo distribuidas a gran escala. Jefferey Dean proporciona una introducción en este documento [1].

[1] Jeffrey Dean, Greg Corrado, Rajat Monga, Kai Chen, Matthieu Devin, Quoc V. Le, Mark Z. Mao, Marc’Aurelio Ranzato, Andrew W. Senior, Paul A. Tucker, Ke Yang, Andrew Y. Ng : Redes profundas distribuidas a gran escala. NIPS 2012: 1232-1240.

Cabe señalar que la realización proporcionada en [1] es una implementación simple basada en un servidor central de parámetros. Podría haber variaciones descentralizadas o P2P de la misma que pueden tener ciertas propiedades interesantes útiles para el aprendizaje profundo. En mi opinión, este es un muy buen tema de doctorado.

El aprendizaje en línea, donde uno construye modelos autoorganizados, es otro tema interesante. Estos modelos podrían monitorear su propia precisión y deriva y pueden provocar una reconstrucción del modelo si el umbral de deriva es demasiado alto. Hacer esto a través de varios algoritmos puede ser un desafío, posiblemente un buen tema de doctorado.

Otra área es la realización de ciertos algoritmos de aprendizaje automático para grandes conjuntos de datos, similares al trabajo clásico de Boyd [2] o sus trabajos recientes como: División de bloques para la optimización distribuida. Ampliar el enfoque a problemas más difíciles como las redes de creencias podría ser un problema interesante de doctorado.

[2] Stephen Boyd, Neal Parikh, Eric Chu, Borja Peleato y Jonathan Eckstein. 2011. Optimización distribuida y aprendizaje estadístico a través del método de dirección alterna de multiplicadores. Encontró. Tendencias Mach. Aprender. 3, 1 (enero de 2011), 1-122.