-
https://blog.pabii.co/why-statistics-for-machine-learning-1/
이분 글 보니까 머신러닝 하는데 제일 좋은 학부 전공은 통계학이라고 하던데
어디가 좋을까요??
학부에서 통계 or CS 전공하고 미국 대학원 메이저 인공지능 랩실가서 박사따고 영주권 딴뒤 취업하는게 꿈입니다
-
-
메이저 인공지능 랩실 보낼 수 있는 랩 가세요. 한국에는 몇 없어요.
-
가장좋은 건 복수전공이긴 합니다.
-
그럼 CS 기반에 통계를 복전하는게 좋을까요??? 반대가 좋을까요???
-
부전공이 아니라 복수전공이면 뭘 기반으로 해도 상관없습니다. 수학과목도 많이 수강해두세여.
-
네 감사합니다
-
-
복수면 상관 없을텐데 전공 + 부전공이라면 통계나 수학 베이스로 가세요. 통계나 수학 많이 들어놓으시고요.
그리고 미국 대학원 석사 안 거치고 바로 지원하시려면 논문 있는게 좋아요. 머신러닝쪽은 생각보다 논문이 많이 나오는 편이라 메이저 학회 1저자 들고 있는 친구들도 많이 지원합니다.
물론 공저 밖에 없거나 없는 경우도 있겠지만 아무래도 대학원 어드미션을 볼 때 성적 가지고 판단하는 게 아니라 이 사람이 연구를 할 수 있는 사람인가를 많이 보는 거라 본인이 논문을 써본 경험이 있다는 건 플러스가 될 수 밖에 없어요.
-
-
-
학부는 아무래도 기초를 탄탄히 하는 것이 좋습니다. 통계학과가 그래서 좋구요. 다만 코딩 역시 학부 초기에 제대로 훈련을 해 놓지 않으면 제대로 쓸만한 코드가 나오지 않습니다. 석박사까지 한 사람들이 소위 스파게티 코드 짜는 경우가 허다하고 자료 구조론 훈련이 안되어 놓으니 동적 메모리 할당 개념도 제대로 안잡혀 있는 경우가 많습니다.
그런 까닭으로 일단은 통계학과 추천, 학부에서 복수 전공이나 CS쪽 과목 수강을 통해서 코딩 기초를 탄탄히, 그 다음에 석박사로 구체적 전공분야를 생각하는 것이 좋지 않을까 싶습니다.
물론 수학과목도 중요하구요. 미적분과 선형대수는 꼭 탄탄히 해 두시길.
-
머신러닝 자체는 CS가 많이 들어가지 않습니다. 툴 개발자를 하실게 아니라 머신러닝의 애플리케이션 위주의 일을 하고 싶으시다면 윗분들 말씀대로 기초를 탄탄하게 다질수 있는 statistics 나 applied mathematics 같은 과가 좋을거 같네요.
-
전 생각이 좀 다릅니다. 이 글 한 번 읽어 보세요. https://towardsdatascience.com/no-machine-learning-is-not-just-glorified-statistics-26d3952234e3 이 글도 좋네요. https://www.svds.com/machine-learning-vs-statistics/ 통계학이 머신러닝이랑 관련이 높긴 하지만, 통계학 학풍은 너무 엄격해요 (나쁘게 말하면 고리타분). 예를 들어서, Pearson때부터 통계학은 ‘인과 관계에 대해 언급하길 금지’해 왔는데, 요새 머신러닝 분야는 “뭐든 일단 만들어놓고 잘 돌아가는지 보자”거든요. 제가 다시 학부를 시작한다면 CS주전공에 applied math부전공 할 것 같네요.
저기 pabii라는 회사 블로그 주인장은 통계, 금융쪽을 전공했으니까 (수학 개념 없이) 머신러닝 한다는 코더들을 무시하는게 마케팅이니까 크게 신경쓰실 필요 없어요. Quora에 자주 올라오는 quote이 있죠. “10년 후에 머신러닝에서 뭐가 뜰지는 모르지만, 분명히 통계학자들은 자기네가 예~전에 다 했던 거라고 징징거릴거다.”
-
현직으로 2년정도 일해 봤는데, 컴공 전공하시는게 제일입니다. 특히 통계쪽만 파신 분이 분이 협업 안되고(git 같은 툴에 엄청 약함) 코드 개판으로 짜는 경우 많습니다. 컴공 수업에서 머신러닝 관련된 수학 재대로 충분히 배울 수 있습니다. 부족하면 수업 몇개 보충하면 되고요.
-
통계 대학원 다니는데, 윗분들 말씀에 동의하는 부분들이 꽤 있습니다. 교수님들조차도 일단 프로그래밍 잘 하시는 분들에 비해 코딩도 어설프고 느려도 돌아만 가면 됐지 (어쨌든 estimation은 이론적으로 보증되니까) 마인드가 있고 기본적으로 (느린) R에 필요에 따라 C++ python 약간 추가해서 빠르게 만드는 정도입니다. 윗 분이 말씀하신 동적 메모리 할당 개념은 통계하는 사람들에게는 너무 어려운 개념입니다.
딥러닝 등 cs쪽에서 핫하다고 하는 부분은 통계학 하는 사람이 보기에 이론적으로 접근하기 힘든 부분이 있습니다. 그렇지만 언급된 pabii 블로그의 큰 틀은 동의하는 편인데요, 일단 cs쪽의 관련 (컨퍼런스) 페이퍼를 읽다 보면 이론적으로 너무 엉터리인 것들도 있고, 이 사람이 이런 내용을 알았다면 이런 삽질을 하지 않고 시간 (and computing power) 아껴서 더 좋은 연구 했을텐데 라는 생각이 종종 듭니다. methods를 제외하더라도 보통 통계하는 사람들이 중시하는 simulation studies 도 빈약하고 data analysis도 특정 몇몇 dataset에만 적용한 다음 “그러니까 이 방법이 잘 돌아간다” 라고 결론짓는 것도 이해가 잘 안되는 면이 있구요. 윗분들 말씀처럼 제가 그런 면에서 보수적이여서 그럴 수도 있습니다.
통계나 ML에서 다루는 이론적인 면은 비슷하다고 생각합니다. 그리고 top tier data scientist 가 되고 싶으면 어쨌든 이론을 잘 알아야 하고 그걸 효율적으로 구현할 수 있는 프로그래밍 능력이 있어야겠죠. 샌프란 지역에 있는 회사에서 일하는 data scientist들은 기본적으로 둘 다 잘한다고 보면 됩니다. 인터뷰 때 집중적으로 확인하더라구요. pabii 블로그에서 디스하는 “이론 배경 없이 github 코드 복붙하고 딥러닝 한다고 말하는 사람”들은 미국 큰 회사에서는 어차피 필터링 된다고 보시면 될 것 같습니다.
원글님의 원래 질문으로 돌아오면 학부 통계학은 별로 권하고 싶지는 않네요. 학부 졸업생으로 할 수 있는게 별로 없어서 졸업하면 “이론은 자세히 모르겠지만 linear/logistic regression 돌릴 줄 안다” 정도입니다. 회사의 기대치도 그정도 (+data cleaning?) 라고 보시면 되구요. CS만 하기에는 나중에 대학원 가서 이론에서 해맬 여지가 커 보입니다. 제가 생각하는 제일 좋은 루트는 CS 메이져에 core math (calculus, linear algebra, analysis) and core stat (probability, math stat, regression) 듣고 ML하는 랩에 박사과정 하는 건데, 써놓고 보니 윗분들이랑 비슷한 조언이네요. 나중에 맘이 바뀌어서 학부만 한다고 했을 때도 안전한 선택인 것 같습니다. 근데 이 바닥이 워낙 빨리 바뀌어서 지금 학부 재학생한테도 적용되는 조언일지는 잘 모르겠습니다. 좋은 선택 하세요ㅎㅎ
-
디테일한 답변 너무 감사합니다!!~~~
-
-
학부를 아직 안정하신거 보면 고등학생이신가요?
-
고등학생은 아니고 20대 초반 n수생입니다~
-
-