Які сфери ТКС краще для магістра бакалавра?

Я закінчую бакалаврську програму "Математика", і я отримала ступінь магістра з математики. Але я не переконуюсь займатися математикою, тому я шукаю інше поле, я можу проводити дослідження. Я збираюся вивчати теорію потенціалів в галузі математики, тому я добре аналізую, особливо в теорії міри. Я також взяв кілька курсів статистики, Java і MATLAB. Більш того, мені дуже подобаються комп'ютери, тому я навчався на деяких інших матеріалах (я займаюся деякими іграми моддінгу та Photoshop)

Деякі мої друзі запропонували машинне навчання, але вони є студентами, і вони дійсно не знають предмет добре. Тому моє запитання полягає в тому, якими полями/областями інформатики я можу працювати для кандидата наук і що я повинен навчатися.

Або в цьому відношенні я можу працювати на CS (Phd) як математичний град?

(Я читав схожі питання, але вони лише схожі. Тому я ціную будь-яку допомогу.)

Редагувати: у програмі Math M.S. у мене є тільки один-не-технічний виборний, і я отримаю деякі undergrad CS лекції (додаткові). Тому, як запропонував @RB, я прошу сфери, які потребують в реальності менше CS і більше математики. Але зауважте, що я готовий навчатися/працювати.

0
Я маю аналогічний фон, і знайшов найбільш привабливу теорію спектральних графів та теорію складності.
додано Автор SteveDonie, джерело
Я не думаю, що в питанні достатньо дати конкретну відповідь. Всі TCS є математичними, і я не розумію, чому одна з областей була б кращою для магістерської математики, ніж інша. Я думаю, що це питання має бути набагато більш конкретним, щоб бути гарним. Однією з можливостей є запитати, в яких областях теорія міри TCS може бути корисна (наприклад, обмежені ресурсом заходи). Як показують відповіді у цьому питанні, аналіз також корисний по всьому TCS: cstheory.stackexchange.com/q/10128/4896 .
додано Автор Sasho Nikolov, джерело
погодився, що це трохи ширше і незграбно, але існують області ТКС, які більш доступні для математиків, виходячи з того, як поля розроблялися історично. Однією з особливо сильних збігів є алгебри теорії графів/графіків як недавнє cs.se запитання/доторкнення.
додано Автор vzn, джерело
Чи можуть меншовики пояснити свій голос? це здається мені законним питанням ..
додано Автор BKS, джерело
@SashoNikolov - хоча кожне поле в CS може бути цікавим для математичних спеціальностей, я б припустив, що, наприклад, мови програмування вимагатимуть більшого рівня, ніж у багатьох інших областях, пов'язаних з математикою. Хоча я погоджуюся з тим, що це питання потребує редагування та специфікації, я думаю, що краще залишити коментар, ніж на DW, оскільки я думаю, що це не погане питання. Олівер Емерсон - можливо, перефразируйте питання, щоб запитати, які області КС випускник математики повинен зробити лише мінімальні зусилля, щоб вдатися?
додано Автор BKS, джерело

1 Відповіді

It had been argued that Theoretical Computer Science is a branch of mathematics, so it seems to me that any answer to this question would necessarily be primarily opinion-based. That said, in your place (and this is an uninformed opinion) I would steer clear of subfields in which a tremendous volume of technical work has been done, and in which coding plays a greater role. The barrier to entry in such subfields will be quite high for a math major. So for example, I would be cautious of anything related to computer vision and speech recognition. I would also be cautious of subfields in which the objective is perhaps a bit fuzzy, such as AI and machine learning. More controversially, I think that perhaps you should steer clear of quantum computation for this reason.

І навпаки, підполя, в яких ціль добре визначений і в якому кодування відіграє меншу роль, мають нижчий бар'єр для вступу до математики. Наприклад, теорія складності, графічні алгоритми, теорія інформації (можливо, особливо для вас!), Паралельність, криптографія, а може навіть такі речі, як кластеризація та стиснення.

1
додано
Влучне зауваження! Коли я написав "машинне навчання", я більше думав про такі речі, як SVM та вивчення подібності.
додано Автор Rob Allen, джерело
Дякую! Я не фахівець, але мені було враження, що в SVM, як представляти точку даних як точку в евклідовому просторі (чи це має сенс), це не точна наука. Це ж заперечення може бути піднято, звичайно, стосовно самої статистики, де ми вважаємо змінними IID або прямо порівнюваними, коли насправді немає підстав вважати це таким. Ще одне заперечення проти SVM для магістерської математики, знову ж таки з незнання, полягає в тому, що математичний зміст - це просто лінійна алгебра, тому "нецікава".
додано Автор Rob Allen, джерело
Насправді для тих, хто любить реальний аналіз, ймовірність та статистику, машинного навчання може бути гарним. Теорія статистичного навчання в стилі Vapnik вивчає чітко визначені проблеми та використовує багато аналітичних інструментів.
додано Автор Sasho Nikolov, джерело
Я думаю, SVM також будуються на суворій теорії, знову ж таки через Vapnik. (До речі, низин не був від мене.)
додано Автор Sasho Nikolov, джерело
Я також не є експертом, але AFAIK, щоб виправдати все, що відбувається, вам потрібно буде зрозуміти двоїстість опуклому програмуванні, різні результати рівномірного зближення та концентрація методів вимірювання, теорія VC, деякий основний функціональний аналіз (наприклад, теорема про представлення Рисса, теорема Мерсера ), щоб зрозуміти ядра. Загалом, існує певне мистецтво для машинного навчання (особливо на практиці), але є дуже цікава, сувора та математично багата наука. Насправді це алгоритми в ML, які часто евристичні, без аналізу часу роботи.
додано Автор Sasho Nikolov, джерело
android_jobs_ua
android_jobs_ua
120 учасників

Публикуем вакансии и запросы на поиск работы по направлению Android. Здесь всё: full-time, part-time, remote и разовые подработки.