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!