Básicamente,
el aprendizaje automático (ML) utiliza una gran cantidad de datos de entrenamiento para construir un modelo predictivo incisivo que puede aplicarse en consecuencia sobre ‘nuevos’ conjuntos de datos similares.
Pero un conjunto de datos se compone de datos procedentes de un campo o entorno específico del mundo.
Por lo tanto, estos datos son una ‘parametrización’ de ‘acciones’, ‘comportamientos’ y cualquier tipo de habilidad que un usuario (o alguna otra cosa) puede ‘hacer’ o puede ‘ser’.
Sabemos que el mundo es un sistema dinámico (DS), por lo que muchos eventos pueden modelarse a través de la dinámica no lineal, por lo tanto, incluso el propio ML (refiriéndose a la forma de “entrenar” o “aprender” de los datos) puede modelarse como un sistema dinámico (porque opera sobre datos de derivación mundial).
- ¿Cómo y cuándo comenzaste con Kaggle?
- ¿Cuál es la diferencia entre los diferentes tipos de funciones de activación para redes neuronales y por qué es importante elegir una sobre otra?
- Dado lo éticamente y empáticamente incompetentes que son los humanos, ¿cuándo comenzaremos a entrenar el aprendizaje automático en grandes conjuntos de datos de decisiones éticas?
- ¿Hay algún conjunto de datos o API que proporcione una lista de palabras poco frecuentes?
- ¿Cuál es la mejor y más fácil forma de aprender el aprendizaje automático?
Por esta razón, parece ser que el DS es el conjunto externo que incluye el ML en el interior, y por lo que el ML no pudo prevalecer o derrocar la teoría del DS.
