회사에서 통계분석하는데
통계분석은 그냥 딸깍임(이론통계/박사급연구원 제외)
통계분석 딸깍 - p값 확인
선형/비선형 모형 딸깍 - p값 확인
옆자리 사람이 머신러닝 하던데
얘도 결국에 모델 몇개 가져다 딸깍 - 성능체크
성능 제일 좋은거 가져와서 - 하이퍼파라미터 튜닝 딸깍 - 체크
이거 하던데 결국 딸깍 아님?
딥러닝은 좀 다르다던데 진짜임?
회사에서 통계분석하는데
통계분석은 그냥 딸깍임(이론통계/박사급연구원 제외)
통계분석 딸깍 - p값 확인
선형/비선형 모형 딸깍 - p값 확인
옆자리 사람이 머신러닝 하던데
얘도 결국에 모델 몇개 가져다 딸깍 - 성능체크
성능 제일 좋은거 가져와서 - 하이퍼파라미터 튜닝 딸깍 - 체크
이거 하던데 결국 딸깍 아님?
딥러닝은 좀 다르다던데 진짜임?
딸깍인데 버튼 누르고 하룻밤 자고와야 됨.. - dc App
그러면 모델링 하는 사람의 지식이나 스킬은 무의미함? 학부생이랑 박사과정생이랑 실무짬밥 10년차랑 모델 결과물이 같지는 않을거아냐...
통계는 표본조사가 시간 많이 걸리고 딥러닝은 학습하는데 시간이 많이 걸리고
그러면 모델링 하는 사람의 지식이나 스킬은 무의미함? 학부생이랑 박사과정생이랑 실무짬밥 10년차랑 모델 결과물이 같지는 않을거아냐...
당연히 딸깍이죠
그러면 모델링 하는 사람의 지식이나 스킬은 무의미함? 학부생이랑 박사과정생이랑 실무짬밥 10년차랑 모델 결과물이 같지는 않을거아냐...
@도(211.36) 연구와 실무 환경(gpu 등)이 동일하다는 가정에서 솔직히 연구와 실무에서 뚜렷이 구분되는 차이는 모르겠습니다 굳이 얘기하자면 실무는 기존에 검증된 기술을 재활용하는 것에 초점을 둡니다 거기서 새로운 모델, methodology를 개발하는 데에 주 목적이 있진 않아요 주로 pretrained model을 "그대로" 가져와서 약간의 튜닝으로 domain에
@도(211.36) 맞게 성능을 끌어올리죠
시간이 엄청 걸릴뿐 학습 자체는 쉬움
시간 존나 걸리는 딸깍임
통계는 추후에 뭔가 이용하기 어렵고 모델은 써먹을 가능성이 있고?
딥러닝이야말로 신경망이 다 알아서 할거라고 가정하고 돌리는 모델이라 통계식으로 온몸비트는 통계분석보다 더 딸깍임
그러면 모델링 하는 사람의 지식이나 스킬은 무의미함? 학부생이랑 박사과정생이랑 실무짬밥 10년차랑 모델 결과물이 같지는 않을거아냐...
실무는 모르겠고, 대학원에서 박사과정은 단순히 공부하고 기술을 습득하는 과정이 아니라 연구하는 방법을 훈련받는 과정임. 그 과정에서 최신 기술에 대한 이해와 적용은 그냥 수반되는 것일 뿐임. 어떤 문제가 있을 때, 그 문제를 풀기 위해 가설을 세우고 그 가설을 증명하기 위해 어떤 실험을 돌릴 지 계획하고 실험 결과에 따라 다시 다음 가설을 세우는 걸
원하는 결과가 나올 때까지 계속 반복하는 걸 훈련받는 거임. 이걸 단순히 그냥 모델 가져와서 하이퍼파라미터만 바꿔가는 수준으로 할 수도 있고, 모델 아키텍쳐를 바꿔볼 수도 있고, 아예 데이터 전처리부터 바꿔볼 수도 있을 거고. 결국 이런 걸 문제에 따라 얼마나 적절하게 적용할 수 있는지가 연구 역량인 거임
@Xst(140.248) 이 관점에서 봤을 때, 단순히 모델 가져와서 쓸 줄만 알고 실제 아키텍쳐가 어떤 지도 모르는 사람이 할 수 있는 범위는 그냥 모델 바꿔보거나 하이퍼파라미터 바꿔보는 수준밖에 안 되니 풀 수 있는 문제의 범위가 적어지겠지. 결국 더 많이 알수록 다룰 수 있는 문제의 범위가 넓어진다는 것에서 차이가 발생하는 거임.
CNN같은걸 얘기하는거임? 단순 멀티 레이어 fully connected에서 화상 처리 하던 사람들이 convolution쓰면 좋겠다고 생각해서 만든게 CNN임. 그리고 실제로 화상 이미지 분야에서 이전 모델을 압도했고 실무에서는 경험이 쌓이면 입력 데이터를 어떻게 전처리 할지에 대한 경험은 분명히 존재함 - dc App
벗어나는 질문인데, 이론통계/박사급연구원은 아무래도 실무에서 좀 더 어려운 일을 맡나요? 다른 부분이 있나요?