みなさんこんにちは。小規模な研究ラボで研究インターンを得たいと考えています。現在、データサイエンス専攻の学部生です。
以下は研究ガイドラインのドキュメントです：
-----------------------------------------------------------------
1. [研究方向1] ドメインに適応するAI
トピック: 継続学習、メモリ、テスト時適応、アクティブラーニング、サンプル効率、効率的な学習または推論、パーソナライゼーション、好奇心、探索、エージェンシー、自律性、OOD汎化、カリキュラム学習、メタラーニング、不確実性モデリング
例となる質問:
「ドメインを理解する」とはどういう意味であり、それは学習データ上でのパターン照合とどう違うのでしょうか？
適応するAIにはどのようなメモリが必要ですか？重みとして織り込むべきでしょうか、それとも推論の際に組み立てるべきでしょうか（ファイルや文脈などを通じて）？
AIがドメイン内で新しいことを学ぶときに、最小限の壊滅的忘却を可能にする技術にはどんなものがありますか？
ドメインをモデル化する正しい方法は何でしょうか？世界モデルはどのように見えるべきでしょうか？パラメトリック（固定パラメータ）か非パラメトリックかはどう決めるべきでしょうか？
制約のある計算環境の中で、どのように学習／学びがローカルに起こり得ますか？
[研究方向2] 人工システムにおける創造性
トピック: 独創性（novelty）、創造性、表現、データマニフォールド、外挿、驚き、世界モデル、組み替え（recombination）、概念モデリング、科学理論構築、イノベーション、抽象化、プログラム合成、知識表現、テイスト
例となる質問:
独創性はどのようにモデル化し、検出し、測定すべきでしょうか？それは単なるノイズや、驚くものの関連性のない詳細と何が違うのでしょうか？
創造性において、世界モデルや想像力はどのような役割を果たしますか？
さまざまな領域で多くの創造的な人々はどんなプロセスをたどり、それをAIにどうエンコードできるでしょうか？
そのドメインにおける「良いテイスト」とは何でしょうか？そこにおいて、単なる人気／運は本当に優れたプロセスやアウトプットに対してどんな寄与があるのでしょうか？
-----------------------------------------------------------------------------------------------
現在のレベル：
私はすでにこれらの数学の授業を学びました：
- 線形代数: MIT 18.06
- 多変数微積分: MIT 18.02
- 確率: Harvard Stat110
- 統計: MIT 18.650
- MLのための行列手法: MIT 18.650（現在取り組んでいます）
また、これらのML教科書も学びました：
- ISLP（Pyによる統計的学習の入門）
- D2L（dive into deep learning：深層学習へ潜る）— 現在取り組んでいます
- Andrej Karpathy: Zero to Hero Neural Nets— 近いうちにやる予定です
- MIT 6.7960 Deep Learning— 近いうちにやる予定です
以下について助言とガイダンスが必要です：
- 上記の研究方向のいずれかでML研究に入る前に、証明ベースの線形代数（MIT 18.700のようなもの、またはLinear Algebra Done Right（Axler）など）で数学コースをやるべきでしょうか？
- 上記の研究方向のいずれかでML研究に入る前に、実解析（Real Analysis）の数学コースをやるべきでしょうか？
- 上記をやった後、上記の研究方向に進むために、どの機械学習の教科書やコースを参照すべきか、助言をください。
先にお礼申し上げます！
[link] [comments]
