http://inoryy.com/post/why-study-statistics-for-artificial-intelligence/

외국 사람 글입니다

학부 전공 선택은 자신의 인생에서 굉장히 중요한 결정입니다

인공 지능 (AI)이 우리 사회에 점점 더 뿌리 내리면서 많은 사람들이 인공 지능에 관련된 자신의 경력을 중요한 경력으로 생각하기 시작했습니다

그러나 학부수준에서 인공지능학과 같은것은 드물기 때문에 사람들은 일반적으로 컴퓨터 과학으로 선택합니다

하지만 전 더 나은 대안이 있다고 생각합니다

바로 통계학 입니다 지금부터 그 이유를 설명하겠습니다

최근 AI와 머신 러닝 (ML)은 어마어마한 인기를 얻고 있으며 거의 모든 산업에서 쓰이고 있습니다

스탠포드의 기계 학습 (CS229) 입문 과정 강의에 수천 명의 학생들이 등록하기도 하였죠

딥 러닝이라는 새로운 기술을 포함하여 대부분의 AI / ML은 변형된 통계학에 가깝습니다.

많은 ML 기술과 알고리즘은 통계학의 이론을 차용하여 개발되었으며 통계이론에 크게 의존합니다.

하지만 안타깝게도 많은 사람들이 여전히 이러한 사실을 모른채 현장을 오해하고 있습니다.

사실 나는 수학과 CS 전공자들에 의해 종종 무시받는 느낌을 받을때가 있었습니다.

수학자들은 통계가 “순수하지 않은”것으로 간주하는 반면 CS 사람들은 이것이 공학 지향적이지 않다고 생각했습니다.

어찌됐든 학부 과정에 개설된 핵심 과목과 AI / ML에 대해 살펴 보도록하겠습니다.

Mathematical Analysis

여러분은 아마도 그것에 대한 “실용적” 대안인 “미적분학”에 대해 들어봤을 것입니다.

그것은 괜찮은 과목이지만, 내 생각에는 학생들의 직관적인 이해를 형성하지는 못하는것 같습니다

다양한 이론과 레마 이론에 초점을 맞추지 않기 때문이죠

어찌됐던 이것은 AI/ML을 돕습니다. MA의 핵심인 연속성과 차별성 또한 대부분의 AI/ML 알고리즘 뒤에 있습니다

확률과 통계

이 과목은 CS에서도 가르쳐질 가능성이 높지만, 핵심적인 이론은 일반적으로 가르치지 않습니다.

무작위 변수와 그 추정치, 기대치, 분포 등에 대한 깊고 직관적인 이해를 한 덕분에 강화 학습에 접근하는데 어려움이 없었습니다.

Numerical Methods

대부분의 AI/ML 뒤에 있는 것으로, 이 주제는 기능 최적화 및 근사치 문제를 다룹니다.

만약 기능적 근사치가 여러분에게 이질적으로 들린다면, 아마도 여러분은 그것의 특별한 경우인 인공신경망에 대해 들어보셨을 겁니다.

Matrix Calculus

우리가 인공신경망을 배우는 동안, 여러분은 아마도 그것들이 서로 다른 매트릭스 수술의 사슬로 표현된다는 것을 들어보셨을 겁니다.

이것이 바로 다변량 분화 이론을 선형대수학의 세계로 어떻게 옮겨놓았는지 이해하는 과정입니다.

몬테카를로 기법

당신은 확률 이론이 실제로 어떻게 적용되는지 궁금해 본 적이 있나요?

컴퓨터가 어떤 배포에서 무작위 변수를 생성하려면 어떻게 해야 할까요?

이 과목은 이러한 것들과 그 이상의 것들을 다룹니다.

그리고 만약 당신이 강화 학습에 관심이 있다면, 이 과정은 아마도 가장 중요한 과정일 것입니다.

몬테카를로 기법은 강화학습 이론의 많은 부분을 다루기 때문이죠

예를 들어, 알고리즘의 REINFORCE 제품군은 몬테카를로 방법을 기반으로 구축됩니다

Stochastic Processes

RL의 이론에 대해 말하자면 시간이 지남에 따라 확률 분포를 다루는 전공 주제가 있으니 참고하십시오

마코프 체인, 리뉴얼, Queues, 브라운 운동, 가우스 프로세스,…

Data Analysis

기계 학습의 대부분이 실제로 통계에 적용된다고 언급 했던가요?

이 기술은 간단한 선형 회귀 분석에서 일반화 된 모델에 이르기까지 사람들이 고전적 ML이라고 부르는 것에 대한 이론을 다룹니다

Experimental Design

하드웨어의 한계에 도달하기 시작하면서 다양한 ML / RL 실험은 점점 비싸지고 있습니다.

점점 더 많은 사람들이 적은 노력으로 유사한 품질의 정보를 추출 할 수있는 방법을 찾고 있습니다.

통계학자들은이 문제에 대해 수십 년 동안 노력해 왔으며이 과정에서 모든 문제를 배울 수 있습니다.

이제 프로그래밍에 대해 말해보죠

균형 잡힌 커리큘럼을 통해 실제로 컴퓨터 과학에 대한 상당한 교육을 받을수 있습니다

실제로, 몇 가지 좋은 선택 사항을 선택하면 전환을 원할 경우 소프트웨어 엔지니어로 일하는 데 필요한 기본 지식을 대부분 다룰 수 있습니다.

유명하지 않고 인기가 많지않은 전공을 한 사람들의 문제는 이력서를 검토하는 높은 위치의 사람들이 당신과 같은 신입 지원자들이 키보드에 비해 펜과 종이를 더 좋아하는 히피 중 한 명이라고 생각하고 안전하게 컴퓨터 과학을 하는 사람을 뽑을지도 모른다는 것입니다.

나는 당신이 여전히 원하는 기업에 취업하기 위해선 이중 전공이나 컴퓨터 과학에 초점을 맞춘 석사학위를 따는것이 불가피하다고 생각됩니다

결론적으로, 나는 통계학이 AI의 직업을 위한 완벽한 전공이라고 믿습니다

나는 컴퓨터 공학 석사 첫 학기를 마치면서, 내 학부 전공덕분에 종종 내 또래들보다 훨씬 앞서 있다고 느끼는 경우가 많습니다

만약 인공지능과 관련된 일을 꿈꾸는 사람이 있다면 이 글을 읽고 통계학과 진학을 생각해보길 바래요!

인공지능 할거면 통계쪽도 괜찮을듯…대학원 가면 날라다닌다던데