EE tenía aprendizaje automático antes de que existiera el aprendizaje automático. Lo llamamos Sistemas de control adaptativo en aquel entonces.
Muchos sistemas de control se basan en un enfoque de modelo de estado, y hay coeficientes asociados con cada parte del modelo de estado. Hay muchas reglas para determinar cuáles deberían ser los coeficientes, pero … si el estado cambia, como el aislamiento en un motor que envejece, o los cojinetes pierden lubricación, o el factor de potencia en el cambio de alimentación, entonces esos coeficientes cambian. ¿Pero a qué se cambian?
El Control Adaptativo fue una extensión del concepto de retroalimentación tan frecuente en los sistemas de control. Usted “retroalimentó” los nuevos parámetros del sistema en una parte del sistema que “controló el modelo” cambiando los coeficientes de control. Era una especie de sistema de control “meta”.
- ¿Es fácil entrenar un modelo de red neuronal profunda desde cero usando Keras?
- ¿Cómo soluciona un máximo A posterior el problema de sobreajuste en una estimación de máxima verosimilitud?
- ¿Qué pasos son necesarios para construir un sistema de aprendizaje profundo para el análisis de sentimientos, tomando como datos de entrada de las redes sociales?
- ¿Existe alguna comparación entre las técnicas SLAM monoculares recientes, especialmente aquellas basadas en un aprendizaje profundo?
- ¿Es C ++ un buen lenguaje para el aprendizaje automático?
Y si lo piensas bien, eso es muy parecido al aprendizaje automático.
La ingeniería, no solo EE, sino todo tipo de ingeniería tiene muchos problemas de optimización de diseño. El análisis es algo sencillo, aplica algunas reglas y descubre cómo funciona algo. Diseño o síntesis es otro animal. Por lo general, hay miles de millones de maneras de hacer que algo funcione, pero muchas de esas formas son mejores que otras de alguna manera objetiva (cuesta menos, usa menos energía, menos materias primas, etc.) ¿Cuál es la MEJOR? Ese es un problema de optimización … y el aprendizaje automático es una excelente manera de abordarlo.
La locomoción de robots puede ser una especie de problema de optimización en tiempo real, con numerosos movimientos que llegan a la “solución” correcta. ¿Pero qué movimiento es el mejor? ¿Deberíamos levantar la pata delantera izquierda y moverla hacia adelante, o deberíamos dejar las cuatro patas hacia abajo y mover el peso hacia adelante un poco más? Nuevamente, el aprendizaje automático al rescate.
No lo usará todos los días en EE, pero dependiendo de la especialidad de EE que prefiera, podría terminar usándolo mucho.
