La definición de informática es más vaga y, a menudo, “incluye” la ciencia de datos.
Más bien dividiré la informática en varias subdisciplinas clasificadas por sus “modos de pensar”.
Criptografía, CS teórica, investigación de algoritmos: estos están completamente impulsados por pruebas y deducciones. Crypto requiere más teoría de números, mientras que la CS teórica requiere su propia marca de pensamiento discreto. Con frecuencia formule conjeturas “generales” construidas a partir de sistemas abstractos donde pueda derivar algunos teoremas generales. Casi no hay programación. No hay estadísticas
- ¿Qué tan inteligente debes ser para convertirte en desarrollador web?
- ¿Cuál es el conocimiento básico que debe aprender todo estudiante de ciencias de la computación que pueda ser útil para una entrevista?
- ¿Cuáles son algunos sitios web que simulan intelectualmente para estudiantes de informática?
- ¿Qué hacen los graduados en informática en sus treintas y cuarentas?
- Me estoy graduando de Berkeley con una doble especialización en salud pública y ciencias de la computación en mayo de 2018. Eventualmente me gustaría ingresar a la gerencia de nivel superior en una empresa de tecnología de la salud. ¿Sería útil un MBA en un par de años para algo?
Gráficos: mucha más física, ODE, PDE, métodos numéricos, algunas estructuras de datos. Mucha programación numérica.
“Sistemas” (SO, redes, sistemas distribuidos aplicados, bases de datos): el objetivo final es mejorar las características de rendimiento del sistema. Algunos datos estructuran la innovación. Hay algunos cruces con algoritmos de CS teóricos (como Paxos, BTree, etc.) pero el propósito no es avanzar en la teoría sino avanzar en los sistemas prácticos. Mucha programación práctica y depuración para que el sistema funcione bien en la práctica.
Lenguajes de programación y verificación formal: estrechamente relacionados con la teoría de tipos, la teoría de categorías. Alguna programación para implementar analizadores / solucionadores SMT.
Aprendizaje automático / IA (ciencia de datos): los problemas generalmente no tienen una respuesta correcta / incorrecta y requieren soluciones basadas en datos para llegar a respuestas estadísticamente correctas. Muchos experimentos para probar el rendimiento de los modelos. Usted escribe programas para extraer datos y ejecuta sus diversos modelos estadísticos, pero no escribirá el algoritmo de Paxos y pasará tres años depurando todos los diversos casos de esquina concurrentes. De hecho, los casos de esquina no importan en la IA. Lo que importa es el rendimiento en un caso típico.
Tú decides cuál es de buen gusto para tu cerebro.