No. Los científicos de datos generalmente eligen qué modelo usar según el problema en cuestión, no según una filosofía general. Los métodos bayesianos son apropiados cuando tenemos un conocimiento específico sobre el establecimiento del problema o podemos explotar su estructura con antecedentes bien elegidos.
Por ejemplo, la asignación de Dirichlet latente es un modelo de tema bayesiano popular creado en torno a los antecedentes de Dirichlet, que le permite reflejar nuestra intuición de que un artículo de noticias trata sobre unos pocos temas en lugar de muchos.
En términos más generales, los enfoques ‘frecuentista’ y ‘bayesiano’ a veces están tan estrechamente relacionados que no tiene sentido hacer una distinción. La regresión lineal básica es un MLE y ‘frecuentista’ en ese sentido, pero tan pronto como agrega regularización, está utilizando efectivamente un modelo bayesiano. Aquí su anterior es una distribución de probabilidad de coeficientes que asigna una baja densidad a magnitudes particularmente extremas.
- ¿Cómo sería útil aprender SAP para mi carrera de Analytics?
- ¿Cuánto tiempo lleva convertirse en científico de datos?
- ¿Qué curso de carrera profesional de ciencias de datos debo tomar para la transición profesional?
- ¿Qué clases debo tomar en la Universidad de Waterloo si quiero ser un científico de datos?
- ¿Cómo puede alguien sin experiencia previa construir un buen currículum como científico de datos?