Als Postdoc von der reinen Mathematik zum maschinellen Lernen wechseln?

Ich bin ein Postdoc im ersten Jahr in reiner Mathematik (Geometrie/Topologie mit starkem Hintergrund in Analysis) mit Statistik- und Wahrscheinlichkeitshintergrund im Grundstudium (mit auch maßtheoretischer Wahrscheinlichkeit). Ich habe auch einige Programmierkenntnisse in ForTran, C und Matlab, aber ich habe sie in den letzten 5 Jahren in meiner reinen Mathematikkarriere in meiner Graduiertenschule nie verwendet.

In meinem nächsten Job überlege ich, ein Postdoc in maschinellem Lernen (ML) zu machen. Der Grund für diesen Wechsel ist: Ich bin bisher mit meinem reinen Wissen zufrieden und wollte einige Anwendungen der Mathematik aus dem wirklichen Leben sehen und mir sowohl in der Industrie als auch in der Wissenschaft meine Optionen offen halten.

Meine Fragen sind:

  1. Wie schwer wird dieser Wechsel sein? Ich denke, ich habe alle erforderlichen mathematischen Kenntnisse, aber wird es schwierig sein, die notwendigen Informatikkenntnisse zu erwerben, selbst wenn ich an eher theorieorientierten Problemen arbeite?

    Was genau sind die Programmierkenntnisse, die ich beherrschen muss, um in ML zu arbeiten?

  2. Gibt es eine Website/E-Mail-Liste, wo ich Benachrichtigungen zu Jobs im maschinellen Lernen erhalten kann? Ich suche hauptsächlich nach Jobs in Europa, aber Informationen über die USA wären auch willkommen.

Als Kuriosum, wo bist du jetzt gelandet? Ich denke derzeit auch über einen Übergang von der Mathematik zum maschinellen Lernen nach.
@JamesChung Danke für deinen Kommentar, aber ich werde mich kurz fassen. Ich wechselte zunächst zu Computational Neuroimaging (aufgrund seiner Verbindung zu Differentialgeometrie und Statistik/statistischem maschinellem Lernen), von wo aus ich mich auch aktiv für maschinelles Lernen interessierte und in der Schnittmenge von Differentialgeometrie und statistischem ML mit Anwendung veröffentlichte zum Neuroimaging. Dann habe ich ein paar Jahre in der Industrie gearbeitet, es hat mir nicht gefallen, und ich hatte vor, zurück in die Wissenschaft zu gehen und mich für Postdocs/Feststellen in Frankreich zu bewerben.
Danke für die Rückantwort. Im Moment bin ich weder mit DG noch mit ML/DL vertraut, daher ist es für mich unangemessen, in diesem Moment eine solche Diskussion zu führen. (Ich bin nur im Mathe-Master) Wenn sich jedoch etwas Interessantes ergibt, würde ich es begrüßen, wenn wir eine Diskussion führen könnten (was wahrscheinlich in ferner Zukunft sein wird).

Antworten (2)

1) Wie schwer wird dieser Wechsel sein? Ich denke, ich habe alle erforderlichen mathematischen Kenntnisse, aber wird es schwierig sein, die notwendigen Informatikkenntnisse zu erwerben, selbst wenn ich an eher theorieorientierten Problemen arbeite?

Kein Problem : die Mathematik im Zusammenhang mit ML aufgreifen. Sie haben den richtigen Hintergrund und werden die Arbeiten nach einer ersten Lernphase leicht verstehen.

Potenziell ein Problem : Verstehen, warum bestimmte Fragen gestellt werden und was als interessant angesehen wird. Hier gehen Mathematiker und Informatiker tendenziell auseinander, und die Übersetzung Ihrer Intuition für Fragen kann einige Zeit in Anspruch nehmen. Aber eine eher mathematische Denkweise kann Sie auch dazu bringen, interessante Fragen zu stellen, die CS-Leute NICHT stellen!

Was genau sind die Programmierkenntnisse, die ich beherrschen muss, um in ML zu arbeiten?

Je nachdem, wie theoretisch der Postdoc ist, alles von keiner bis R, Python und Matlab und vielleicht sogar ein verteiltes groß angelegtes Lernframework wie GraphLab. Aber Sie sollten sich auf jeden Fall mit den ersten drei vertraut machen - ML ist ein gutes Beispiel dafür, dass "keine Problemformulierung den ersten Kontakt mit den Daten überlebt".

2) Gibt es eine Website/E-Mail-Liste, wo ich Benachrichtigungen zu Jobs im maschinellen Lernen erhalten kann? Ich suche hauptsächlich nach Jobs in Europa, aber Informationen über die USA wären auch willkommen.

Eine gute Mailingliste ist ml-worldwide. Eine andere ist die Google-Gruppe ml-news.

Um Sureshs Antwort hinzuzufügen, sind einige Leute geborene Programmierer und können es mit sehr geringen Schwierigkeiten aufgreifen. Einige Leute (einschließlich mindestens eines großen Mathematikers, den ich getroffen habe) sind absolut unfähig, algorithmisch zu denken, und kämpfen mit den einfachsten Programmieraufgaben. Die meisten von uns liegen irgendwo dazwischen. Die Antwort auf die Frage "Wie schwer ist es, die notwendigen Computerkenntnisse zu erwerben" hängt also wirklich etwas von Ihren natürlichen Fähigkeiten ab.
"Hier divergieren Mathematiker und Informatiker tendenziell" und beide weichen tendenziell von dem ab, was den Wissenschaftler interessiert, der an der vorliegenden Anwendung arbeitet ...
Eine weitere Fähigkeit, die notwendig ist, um echte Probleme in den Griff zu bekommen, ist das Übersetzen zwischen den verschiedenen Sprachen wie Biologe <-> Informatik <-> Mathematik und so weiter

Wenn Sie ein reiner Mathematiker mit Hintergrund in der geometrischen Analyse sind, gibt es interessante Probleme im Teilgebiet des maschinellen Lernens namens "Manifold Learning", das ziemlich viel Riemannsche Geometrie und Intuition erfordert. Machine Learning ist ein weites Feld und es ist eine Frage, was am besten zu Ihnen passt.

Danke für deinen geschätzten Kommentar, Mashbat. Ich habe Hintergrundwissen in fortgeschrittener Riemannscher Geometrie, PDE und Riemannschen Flächen, aber nicht genau in der geometrischen Analyse, die sich mit mehr Analyse als der Riemannschen Geometrie befasst. Ich bin zu Computational Neuroscience mit Anwendungen von Diff gewechselt. geo., aber ich wäre auf jeden Fall neugierig, mehr darüber zu erfahren, welche Art von Problemen sie beim vielfältigen Lernen behandeln, die sich mit der Riemannschen Geometrie befassen.
Als Postdoc von der reinen Mathematik zum maschinellen Lernen wechseln?
AntwortenHierDatenschutz-Bestimmungen1y, 0v