Si ve un EE como un “grupo de todos los oficios” (que es una perspectiva bastante común de un EE), entonces un curso sobre ML ciertamente es una herramienta útil cuando el trabajo involucra grandes cantidades de datos y se pretende extraer algunos ” significado “de ella. Muchos EE terminan como programadores, o haciendo otros trabajos bajo el paraguas de “Ciencias de la Computación”, donde el procesamiento de grandes cantidades de datos es común.
Pero ML es un área amplia que utiliza técnicas y algoritmos “robados” de muchas otras áreas. Por lo tanto, antes de inscribirme en un curso de ML, haría los primeros cursos sobre Optimización (incluidas técnicas modernas y ampliamente utilizadas, como algoritmos genéticos y redes neuronales), Probabilidad y estadística , y Procesamiento de ignición / Análisis de series temporales . Conociendo estos asuntos, es trivial entrar en ML que a menudo consiste principalmente en la adaptación de técnicas de otras áreas para procesar grandes cantidades de datos.
Sin embargo, si realiza principalmente trabajo de EE, incluida la programación de sistemas y la programación HDL, entonces no hay mucha necesidad de un curso ML en mi humilde opinión. Como se dijo, ML será útil solo si sigues el camino de las “computadoras” a lo largo de tu carrera. Trabajar con “electrones” realmente no necesita ML 🙂
- ¿Puedo conectar tanto la fase como el neutro en el mismo punto en un interruptor giratorio?
- ¿Cuál es el propósito de un aislador cuando hay un interruptor de circuito presente?
- ¿Será posible en el futuro convertir la energía del sonido en energía eléctrica para alimentar ciudades?
- ¿Cómo podemos controlar la velocidad de un generador de la serie DC?
- ¿Por qué un motor de CC consume una alta corriente de arranque cuando arranca?