¿Cómo explica un solicitante de ciencia de datos el valor del aprendizaje automático a un gerente de contratación que solo tiene experiencia en CS, estadísticas o econometría?

En primer lugar, cualquier practicante razonable, inteligente y experimentado comprendería los conceptos básicos del “aprendizaje automático”, tales como clasificación, agrupación, validación cruzada, sobreajuste, generalización, etc., independientemente de sus antecedentes. Si está solicitando un trabajo de ciencia de datos y tiene que explicarle esto a su gerente de contratación, está en un verdadero problema.

Por otro lado, si te refieres a conceptos más avanzados en ML como capacidad, teoría de Bayes PAC, límites de aprendizaje de muestra finita, arrepentimiento, etc., sugeriría evitar esto en una entrevista con alguien que no esté familiarizado con estos temas desde no hay nada que ganar al hacerlo. Estos son conceptos con los que los estadísticos con capacitación clásica tienen problemas y de todos modos no son realmente importantes para su trabajo diario.

Las primeras dos palabras de Domninic “¡Haciendo!” es todo lo que hay que hacer. La taxonomía, la nomenclatura, la definición, el concepto o lo que sea, nunca debe ser más importante que el impacto.

“Muestra, no digas”. Se aplica por completo.

Lo contrario también es válido, es decir, si alguien quiere hacer aprendizaje automático porque todos lo hacen, entonces quiere hacerlo por razones equivocadas.

Nunca cambiaré una regresión lineal por una red neuronal en aras del aprendizaje automático si la mejor herramienta para el trabajo es una regresión lineal.