Highlights

“As researchers our main job is to have useful ideas that advance knowledge. These ideas always come from somewhere hidden in our brain and we must cultivate our ability to give that idea-generation process enough time. You need space in your week to think, to not work on programming or writing or even reading. Just think about the big questions that bug you.”

Yoshua Bengio

“Saber mucho no es lo mismo que ser inteligente. La inteligencia no es sólo información, sino también juicio para manejarla”

Carl Sagan

Mecanismos fundamentales de las Matemáticas:

Manipulación: uso del aparato matemático.
Verbalizacion: saber contar lo que esta ocurriendo.
Abstracción: saber lo generalizar lo que esta ocurriendo a otras.

Source (Youtube): “Las matemáticas nos hacen más libres y menos manipulables”. Eduardo Sáenz de Cabezón

Book: Elon Musk

Estas son las anotaciones de ideas interesantes recogidas después de leer el libro.

Probablemente hay demasiados tipos brillantes a los que solo les interesa internet, las finanzas y el derecho. Eso explica que la humanidad no avance en innovación.
“La guía del autoestopista galáctico”, Douglas Adams: En ese libro se dice que una de las cosas mas difíciles es saber formular las preguntas adecuadas. Cuando sabes la pregunta, responderla es relativamente sencillo. Yo llegue a la conclusion de que realmente deberíamos aspirar a aumentar el alcance y la escala de la conciencia humana para entender mejor que preguntas debemos formular.
Lo mas destacable era la capacidad de Musk para encajar abstrusos conceptos físicos en el contesto de unos planes de negocios. Ya en aquel entonces demostraba tener una habilidad inusual para vislumbrar el camino que conectaba un avance científico con una empresa rentable.
Nadie llega a donde ha llegado Musk siendo un tipo agradable en todo momento.
Musk empezó a buscar una industria repleta de dinero e ineficiencias que pudiera explotar con ayuda de internet (sobre Paypal). Los banqueros son ricos y estúpidos.
Capacidad innata para olfatear los intereses del publico y las tendencias tecnológicas cuando internet empezó a orientarse hacia los consumidores.
Recabar ideas y contactos para introducirse en la industria espacial: leer libros técnicos, acudir a Societies y entidades donde recovar información y conseguir contactos.
Las compañías aeroespaciales tenían pocos competidores, lo que las llevaba a fabricar productos increíblemente caros que alcanzaban un rendimiento máximo. Creaban un Ferrari para cada lanzamiento, cuando era posible que bastara un Honda Accord. Musk aplicaría algunas estrategias empresariales que había aprendido en Silicon Valley para dirigir la empresa con la máxima eficiencia y aprovechar los inmensos avances de las ultimas décadas en el ámbito de los materiales y del poder computacional.
Lo que Musk no toleraba eras las excusas o la falta de un plan de ataque claro. Si algo sale mal, sólo podía ser comunicado a Musk con un plan alternativo o la solución bajo el brazo.
Quería mezclar la electricidad y los programas de ordenador para controlar la energía. Era una combinación de informática y electrónica de potencia. Reuní todo lo que me gustaba en un solo lugar.
He aprendido que la intuición no funciona muy bien en lo relativo a cosas de las que uno no sabe mucho. Uno siempre necesita comenzar por los principios básicos de un problema. Cuál es la física implicada? Cuánto tiempo se necesitará? Cuánto costará? Cuánto lo puedo abaratar?.
Si algo que otros consideran una locura te apasiona realmente, puedes tener éxito.
Cualquiera debería tener una formación amplia en ciencias e ingeniería. Cualquiera debería poseer alguna formación en cuestiones de liderazgo, y algunos conocimientos en administración de empresas, o al menos saber cómo gestionar y organizar las cosas y conseguir fondos. La mayoría de la gente no es capaz de hacerlo.

Source (Book): “Elon Musk”, Ashlee Vance

Q&A with Yoshua Bengio:

Networking with people doing similar things is important.
Senior faculty are happy to connect, even if they might not take the initiative, even if it’s not formalized at the university.
One thing I would’ve done differently is not disperse myself in different directions, going for the idea of the day and forgetting about longer term challenges. But you have to spend at least some of your time focusing on the longer term.
In order to become good at something and make breakthroughs you have to become an expert…you should focus on one and become the strongest person on earth in this subject.
One thing that has worked for me is to find somebody who has the right background in math or physics and has dabbled in machine learning: these people can learn the skills very fast. So if you consider two, three-year postdocs, these kinds of people are worth recruiting. They wouldn’t be able to get a job at Google Brain or something because they haven’t yet demonstrated proof of their machine learning abilities. But it’s a gamble that has worked well for me in certain instances.
If they come to a machine learning lab and participate in published research it will greatly increase their value for industry.
Physical proximity: asking students to spend their day in the lab and not work at home…regular events like reading groups, seminars and outside activities. Going to workshops and conferences, visiting other labs. You don’t have to wait to be invited.
It’s important the industry understand that academics are not cheap labour. They’re not producing products, but can have amazing ideas that may transform business. So industry needs to understand that this is only part of the investment.
As researchers our main job is to have useful ideas that advance knowledge. These ideas always come from somewhere hidden in our brain and we must cultivate our ability to give that idea-generation process enough time. You need space in your week to think, to not work on programming or writing or even reading. Just think about the big questions that bug you.

Source: Q&A with Yoshua Bengio.

Start Being More Productive

Here are seven things I stopped doing to become more productive:

Stop working overtime and increase your productivity instead.
Don’t say “yes” too often.
Stop doing everything yourself and start letting people help you.
Stop being a perfectionist.
Stop doing repetitive tasks and start automating.
Stop guessing and start backing up your decisions with data.
Stop working, and take some time to do nothing at all.

“The key to success is not working hard. It’s working smart.”

“losing just one hour of sleep per night for a week will cause a level of cognitive degradation equivalent to a .10 blood alcohol level.”

Leonardo da Vinci took multiple naps a day and slept less at night.

“The difference between successful people and very successful people is that very successful people say “no” to almost everything.” — Warren Buffett

Source: 7 Things to Start Being More Productive, Today

A tener en cuenta para ser un investigador científico:

Investigar va sobre preguntas mal planteadas y muchas respuestas que pueden no serlo. Gran parte de lo que haces en la investigación no te acerca a la respuesta pero permite entender mejor la pregunta.
Medir el progreso en unidades de aprendizaje en vez de en unidades de resolución, es uno de los cambios de paradigma clave que uno tiene que experimentar para ser efectivo en un entorno de investigación.
Una carrera de investigación, pasarás gran parte de tu tiempo trabajando en cosas que no funcionan. Aveces salir del campo que se está investigando durante un tiempo ayuda enormemente a tener una mejor perspectiva. Ser demasiado persistente en una linea de investigación puede conducir a un callejón sin salida que únicamente sea un sumidero de tiempo y recursos.
A menudo pongo límites a la agenda de investigación, no porque importe dónde están esos límites o porque alguien me los imponga, sino porque su mera existencia ayuda a disminuir el estrés de lo desconocido.
Es de gran importancia asegúrese de confiar, y de haber ganado la confianza, de sus colaboradores antes de participar en una investigación conjunta. La mayoría de los fracasos no son técnicos, son humanos.
En la escala de tiempo de una carrera investigadora, los cambios de paradigma ocurren regularmente. Es probable que alguien con una “trampa para ratones” supere la experiencia adquirida con esmero durante una década. La capacidad (o, más importante, la voluntad) de seguir el problema donde sea que lo lleve, incluso si su verdadero amor es la herramienta que actualmente tiene para resolverlo, puede hacer o deshacer la carrera de uno.
No hay nada más sospechoso que un artículo de un solo autor. Ciertamente, nunca confiaría en mis propios resultados si no hubieran superado el escrutinio de un compañero que lo haya dado por bueno.
Las personas sienten curiosidad por saber qué las hace diferentes y dónde reside la esencia de su éxito. Lo único que estas personas tienen en común es que trabajan duro. Esa es la verdad, aunque no es toda la historia. Cada uno de ellos trabaja más duro que tú (y ciertamente yo), pero otra característica común es el enfoque y la dedicación. Pocos dirían que lo que hacen “funciona” aunque en sus raíces, los genios aman absolutamente lo que hacen y están dispuestos a dedicarse por entero a ello. Todo lo demás deriva de eso.
El éxito como investigador se debe más a la forma en que uno se las arregla para navegar a través de las presiones de la investigación que a la inteligencia inherente o al trabajo duro.
Actualmente los ingenieros resuelven problemas bien definidos ejerciendo el mismo nivel de creatividad y dominio sobre su tema que los investigadores. Construir cosas que tienen que funcionar, y se espera que funcionen, requiere otro tipo de valentía y dedicación para llegar a la meta.
Ya sea en investigación o ingeniería, definir el desafío que mejor se adapte a su personalidad puede llevar mucho tiempo. Puede cambiar dependiendo de dónde se encuentre en su carrera y en su vida personal. Para la mayoría de nosotros en investigación industrial, la gran noticia es que no siempre tenemos que hacer que esta sea esta elección de carrera sea permanente.

Recurso: “So You Want to Be a Research Scientist”, Vincent Vanhoucke . Principal Scientist in Google: Machine Learning and Robotic.