Дмитрий Карпов, 1 ноября 2017 в 21:34
С другой стороны, главное, бросающееся в глаз различие между машинным обучением и гидрогазодинамикой - это скорость развития одной и другой области. Разумеется, машинное обучение развивается сильно быстрее, новости о новых достижениях в коммерческом применении этой области поступают чуть ли не каждый день. Особенно очевидно это стало в последние годы.
Если говорить не о коммерческом применении,а о фундаментальных методах: я помню, что, когда работал у Сона, то мне предлагалось решать стоявшую передо мной задачу одним из двух методов: либо методом PIC, либо методом Годунова. И тот, и тот были разработаны еще в середине 20 века. Конечно, это никакой не упрек,просто констатация факта: видимо, state of the art в газодинамике и правда считаются методы середины прошлого века.
В машинном же обучении на сегодня(2017 год) ннаиболее популярной технологией являются нейронные сети. 5 лет, насколько я знаю, они были не особо популярными, более популярным считался метод опорных векторов. Через 5 лет, как утверждает лектор, самой популярной будет какая-то другая технология. То есть, методы реально меняются очень быстро. Во многих современных статьях, которые я видел, предложенные методы сравниваются с методами максимум двух-четырех летней давности - другая скорость развития, согласись.
У этого, кстати, есть и оборотная сторона - если хочешь, чтобы то, что ты сделал, использовалось и помнилось дольше(при условии, что ты сделал что-то реально серьезное для данной области), то с этой точки зрения, как мне кажется, газодинамика может быть более предпочтительной - в силу тех же причин.

Как минимум, отличие в скорости развития одной и другой области связано с разной скоростью проверки гипотез, тестирования образцов и замены старых образцов новыми.
Ну объективно, пропатчить программу гораздо быстрее и дешевле, чем выпустить новую модель самолета или космического корабля. Можно, конечно, пропатчить программу, отвечающую за функционирование самолета/корабля, но это уже будет не к газодинамике как таковой относиться, а к другой области.
Как следствие, срок окупаемости инвестиций в разработку, скажем, чат-бота при прочих равных должен быть гораздо меньше, чем срок окупаемости инвестиций в разработку космического аппарата либо самолета. Я не берусь оценивать экономический эффект и норму прибыли от первого и второго, просто констатирую факт - таки да, в то, что связано с машинным обучением, сейчас вливают много денег (в том числе и у нас в стране) потому что видят большой потенциал для извлечения прибыли. Отсюда следует закономерное отличие - другая ситуация на рынке труда, другой процент молодых людей в отрасли.  (По крайней мере, если сравнить с Роскосмосом. С нефтяной отраслью сравнивать не могу).
И еще важное отличие, следующее оттуда же - бОльшая устойчивость к возможному сокращению государственного бюджета и нефтяных доходов. Сказать по правде, это отличие год назад стало для меня ключевым...
Еще отличие - область применения. Навыки в области механики газа, жидкости и плазмы можно применить в нефтяной, оборонной либо космической отрасли, а также в других областях промышленности. Я не хочу сказать, что это мало - разумеется, это довольно широкий спектр.
Но по сравнению с машинным обучением, которое применяют либо , по крайней мере, планируют применять где угодно, от  фундаментальной физики, поиска по интернету, медицины и той же оборонной отрасли с нефтянкой и обрабатывающей промышленности до порносайтов и размещения рекламы.... можно сказать, что это мало. Извини.

Дмитрий Карпов, 1 ноября 2017 в 21:33
Отличий между механикой газа, жидкости и плазмы и машинным обучением меньше, чем могло показаться с первого взгляда.
В чем заключался мой бакалаврский диплом? Он заключался в оценки пригодности различных методов для решения конкретной инженерной задачи. Если бы я работал в отделе Головина подольше, продолжил работу над этим же проектом и согласился бы посвятить себя в определенные секреты, мой магистерский диплом, вероятно, был бы посвящен реализации какого-либо из рассмотренных методов. А теперь сравни это с любым соревнованием по машинному обучению на Kaggle, либо же любой бизнес-задачей по машинному обучению. Там тоже требуется подобрать метод машинного обучения, настроить его и использовать для решения конкретной задачи. Вот хоть убей - не вижу принципиальных отличий в научности того и другого.
Строго говоря, существуют, конечно, более фундаментальные задачи, и в механике жидкости и газа, и в машинном обучении. В случае механики жидкости и газа это разработка каких-то новых разностных схем, в случае машинного обучения - разработка каких-то новых методов машинного обучения. И там, и там есть, конечно, люди, которые этим занимаются, но, как правило, и там, и там все-таки применяют уже существующие методы; возможно - с модификациями под конкретную задачу.
Математический аппарат, который используется в теоретической части и там, и там, довольно похож. И там, и там можно встретить градиенты, нормы, О-нотацию.Иногда сходство видишь даже там, где увидеть его не ожидал - так, некоторые задачи по динамическому программированию(на подсчет числа ходов конем) очень сильно напоминали разностные схемы.
Если говорить про совсем глобальные задачи - насколько я помню, самая глобальная нерешенная проблема, которая есть в газодинамике - это моделирование турбулентности. Аналитически решить уравнения Навье-Стокса ни у кого пока не получилось, и некоторые математики считают, что это и вообще невозможно. Численное же моделирование турбулентных процессов упирается в точность существующих моделей и вычислительные ограничения.
В машинном обучении глобальная нерешенная проблема - это моделирование человеческого понимания и восприятия.   Ее, соответственно, можно разбить на множество более узких; какие-то из них с приемлемой точностью решать научились, но многие другие - до сих пор нет(на 2017 год, компьютеры много чего не умеют), так что работы еще вагон. Собственно, как только эту проблему решат, мы будем жить уже в совершенно другой реальностью. Кроме точности моделей, все также упирается в вычислительные ограничения. Модели, кстати, в машинном обучении гораздо менее точны, чем в газодинамике, что понятно - в виде, понятном компьютеру, задачу тут так-то просто не сформулируешь.
Если говорить не про глобальные проблемы, а про конкретные бизнес-задачи: на Келдыше борятся за каждый доллар себестоимости ракетных запусков и за каждую долю процента КПД двигателя. В то же время в Тинькофф банке борятся за каждый доллар, сэкономленный на операторах(при помощи диалоговых систем) и за каждую долю процента точности моделей. И тут сходство.
Многие подробности решения бизнес-задач и там, и там нельзя выкладывать в открытый доступ в силу государственной/коммерческой тайны. И тут сходство.

Но, разумеется, имеются и различия.

С одной стороны, газодинамические методы, в отличие от машинного обучения, по крайней мере претендуют на точное решение своих задач, и решают свои задачи довольно точно, с учетом всех приближений. В машинном обучении, конечно, это далеко не так. Если угодно, можешь считать,что оно находится (в относительном смысле, разумеется) где-то там, где газодинамика была до формулировки уравнений Навье-Стокса: люди тогда могли решать какие-то частные задачи типа проведения водопровода, но не могли сформулировать, каким конкретно законам движение воды подчиняется. В машинном обучении во многом дела и сегодня обстоят так же.

С другой стороны, главное, бросающееся в глаз различие между машинным обучением и гидрогазодинамикой - это скорость развития одной и другой области. Разумеется, машинное обучение развивается сильно быстрее, новости о но