Transmitir información de una generación anterior a la siguiente es lo que maximiza la supervivencia.
Por ejemplo, los agentes biológicos transmiten información a través de genes y supervisión. Incluso en el reino animal, algunos animales bebés son entrenados por padres experimentados para hacer cosas como cazar presas y, en la mayoría de los casos, la información crítica para la supervivencia se transmite de generación en generación a través de los genes. Es por eso que los cerebros biológicos nacen con instintos, es por eso que el cerebro no nace en blanco porque sería muy difícil sobrevivir naciendo con un cerebro en blanco y depender de algunas mutaciones aleatorias para sobrevivir.
Entonces, para entornos extremadamente duros y complejos, la mejor manera de que las especies sobrevivan es no depender completamente de las mutaciones. La evolución es un proceso muy lento y es más probable que las mutaciones aleatorias produzcan resultados poco deseables que los deseables. Esto hace que transmitir información y supervisión sea la forma más rápida de adaptarse y sobrevivir. Es mejor aprender de los errores de los demás que cometer todos los errores. Nadie tiene tiempo para cometer todos los errores, por lo que es mejor supervisar o aprender copiando las entidades experimentadas.
- ¿Cuál es la diferencia entre almacenar datos en HDF5 frente al formato TFRecord de TensorFlow?
- ¿Se utiliza XGBoost en productos?
- ¿Cuál es la próxima gran cosa en el aprendizaje automático después de que hayamos terminado con el aprendizaje profundo?
- ¿Cuáles son algunas arquitecturas de redes neuronales?
- ¿Cuáles son las desventajas de usar un árbol de decisión para la clasificación?
Por lo tanto, diría que el aprendizaje supervisado garantiza que las habilidades de supervivencia correctas se propaguen a la próxima generación, brindando una mayor posibilidad de supervivencia a toda la especie que si tuvieran que aprender esas habilidades de supervivencia por su cuenta.
¿Existe una estrategia óptima para la mutación contra cambios ambientales imprevistos?
Diría que las estrategias predictivas son óptimas para cambios ambientales imprevistos. A los humanos nos gusta predecir cosas y si no podemos vivir en circunstancias imprevistas. Establecimos fondos de emergencia o seguros para tratar de lidiar con situaciones imprevistas.
El aprendizaje predictivo, es decir, aprender a anticipar lo que sigue es poderoso en términos de poder sobrevivir e interactuar con un entorno complejo.
Un niño aprenderá que si saltan caerán de nuevo.
Si tocas fuego, te quemas, así que ves fuego y sabes que no debes tratar de tocar el fuego.
Intentamos predecir palabras mientras escuchamos a alguien.
Por lo tanto, es importante poder anticipar y predecir algunos resultados basados en experiencias pasadas y es mejor transmitir ese conocimiento a la próxima generación que hacer que vuelvan a aprender todo desde cero.
Esto se puede aplicar a los algoritmos de inteligencia artificial (IA) porque si podemos construir sistemas de IA que puedan aprender a anticipar o predecir resultados, entonces podemos construir sistemas de IA mejores y más inteligentes.
También sé que muchos investigadores señalan que los algoritmos de aprendizaje no supervisados son el secreto de la inteligencia general artificial (AGI), pero incluso los métodos de aprendizaje supervisados pueden usarse en entornos no supervisados si podemos obtener la señal de supervisión de manera no supervisada.
Por lo tanto, no tenemos que desarrollar explícitamente métodos de aprendizaje no supervisados, pero podemos centrarnos en encontrar cómo obtener esa señal de supervisión.
Espero que esto ayude.