Если прищуриться, вычислительная инверсия выглядит так же, как машинное обучение.

Вот концепции, используемые в обоих случаях:

  • оптимизация
  • регуляризация
  • функции потерь и метрики

Большая разница заключается в модели, которую мы оптимизируем.

🔢 Годы и годы математики

Да, вы можете заниматься прикладным машинным обучением с минимальной математикой.

Но математическая интуиция, которую физики получают в университете, а затем годами работают с математикой, помогает значительно упростить машинное обучение.

Придумывание новых концепций и моделей становится тривиальным.

💾 Данные отстой

Физики работают с зашумленными и неполными данными.

В науке о данных и машинном обучении наличие опыта работы с различными типами данных является огромным преимуществом.

Выяснение того, что такое шум и что такое сигнал, является сильным индуктивным уклоном в моделировании систем данных.

💻 Программирование новых вещей

Информатика — это хорошо, и курс DSA мне очень помог.

В физике так много вещей приходится выяснять с нуля. Программируйте эффективно и как-то просто заставьте это работать. И это должно быть быстро!

Бережливое кодирование — преимущество в ML и DS

Заключение

Физики имеют незаслуженное преимущество, решая заняться машинным обучением, используя:

  • Знания бережливого программирования
  • Интуитивное понимание математики
  • Работа с оптимизацией

И, конечно же, способность продолжать учиться сложным вещам!