机器学习将如何改变社会学?

机器学习将统计分析和计算机密集型数据处理相结合,以对基于数据的模式进行分类,理解和预测。 在社会学中要完全采用诸如机器学习之类的计算资源有很多障碍。 首先,机器学习属于人工智能(AI)领域。 社会学家已经证明了AI作为社会科学方法的强大抵抗力。 其次,机器学习应用程序的优势在于其预测事件的能力。 社会学家普遍认为,对社会问题的研究不可能做出预测。 第三个障碍是机器学习的统计基础。 在过去的几十年中,定量研究的社会学家的培训减少了。 “主流”社会学一直拒绝在社会研究中使用数据分析和统计,这被视为“实证主义”,“经验主义”和“非批判”方法。 近年来,这种情况已经改变。 随着数据访问的简化和对计算的广泛使用,社会学家对定量和计算方法的兴趣正在增长。 在出版物和学术提纲中,人们都可以看出社会科学家对定量数据分析的偏见较少。 即便如此,对于社会科学中的统计应用仍缺乏知识和不信任感。 一些作者指出了另一个障碍。 社会学是假设驱动的科学,而机器学习更适合归纳研究。 我不同意,因为社会学既不是假设驱动的科学(更像是“权威论证驱动的”),也不是机器学习仅限于归纳研究。 但是,这也是讨论在社会学中应用机器学习的可能性时的亮点。 这些障碍意味着,人们不应该指望社会学在不久的将来发生“范式转变”。…

从头到尾,什么是“典型的”计算机视觉项目?

这取决于您的环境和执行Computer Vision项目的目的。 您是在实验室中进行纯粹的研究,还是在行业中或两者之间,例如以研究为导向的工业实验室? 您是进行研究,收集和注释数据,开发新颖算法的研究项目吗? 是工业计算机视觉,您在其中寻找适合您的问题的正确(快速,可扩展和准确)算法,并在您的环境中实现它们,无论是取放式机器人还是手机应用程序? 我去过这两个地方,并且看到在进行工业或研究型计算机视觉项目之间存在一些共同点。 我的工作流程是这样的: 简单思考:关于您的计算机视觉。 该项目的目标是什么,您最终希望交付什么? 您可能需要做一些与该问题有关的初步阅读,但要注意不要被人们已经尝试解决此问题的次数淹没。 决定:我们是否需要将这些最新发现带到更远的地方,或者只使用其中之一? 基准实验:在实施至少1-2种以前开发的主要算法之前,您无法真正知道是否需要进行研究。 如果您还可以在项目页面上找到他们的代码,那就太好了。 他们真的如论文中所报道的那样工作吗? 它们大多无法正常工作,这就是为什么我们还没有看到疯狂的机器人徘徊的原因。 他们进行的实验是在一组有限的类上,并且在一组非常受控的图像上,这些图像并不代表现实世界的挑战。 发现他们的方法中的缺陷,他们做出了哪些苛刻的假设来关联这种不切实际的结果? 最后,这使您可以了解自己的特定问题以及对现有解决方案的想法。…