- Bueno, para comenzar, el concepto original de ‘aprendizaje automático’ basado en algoritmos de autopropagación fue uno de los primeros pasos verdaderos para avanzar hacia el tipo de inteligencia artificial que los científicos y programadores han soñado o incluso idealizado durante décadas. Lo que solía llamarse aprendizaje automático, ahora ha evolucionado en gran medida hacia lo que llamamos redes neuronales.
- Las redes neuronales obtuvieron su nombre debido a la gran cantidad de algoritmos diferentes que en su función y organización en capas “ reflejan ” la forma en que las neuronas en los cerebros puros codifican, almacenan y manipulan información que resulta en humanos en la memoria y el aprendizaje. La mejor manera de demostrar la similitud real entre cómo los modelos actuales de redes asociativas en el cerebro son similares al aprendizaje automático es observando cómo nuestro cerebro reconoce el significado de las palabras. Esencialmente, hay 2 teorías básicas; la teoría del prototipo y la teoría ejemplar, que se complementan entre sí en sus funciones. [1]
- La teoría exemaplar, trabaja comparando un estímulo presentado, digamos una imagen de un gorrión, con todas las aves encontradas anteriormente en su vida, y lo categorizó en el concepto de lo que su mente considera el concepto de un pájaro, basado en su hallazgo una coincidencia cercana en tu memoria de un pájaro que es muy similar. Esta es la forma en que los bebés aprenden sus primeras categorías cuando se encuentran con nuevos fenómenos en el mundo. Esencialmente, podrías pensar en ello como si tu cerebro observara una coincidencia en tu memoria en función de la coincidencia de probabilidad del estímulo. Esto, en esencia, es cómo funcionan los algoritmos individuales en las redes neuronales, que cada algoritmo que tiene cierta probabilidad coincide con una imagen presentada.
- Esto es seguido por la teoría del prototipo, que se basa en que un individuo tenga suficientes ejemplares en su memoria para formar un “promedio” o un prototipo de una categoría. Cuando se les presenta un nuevo tipo de estímulo, digamos un loro exótico que una persona nunca antes había visto, y después de haber tenido suficientes modelos de coincidencia de aves encontradas previamente en su memoria, en lugar de comparar el nuevo loro con todos los ejemplos en una categoría, en cambio, lo comparamos con el prototipo promedio dado de diferentes categorías, y lo categorizamos como cuál es el prototipo de coincidencia más probable, en función de la probabilidad neta derivada de todas las coincidencias anteriores. En otras palabras, algunas aves son más “birdier” que otras. Esto es esencialmente cómo los diversos algoritmos, cada uno de los cuales determina la probabilidad de que una imagen dada sea lo que el algoritmo está buscando, trabajan juntos en capas para determinar las características más probables de cómo se supone que es un supuesto prototipo, digamos un gatito. Esto a su vez se realiza ejecutando millones de imágenes que tienen diferentes características de coincidencia de un gatito a través de millones de algoritmos, y al hacerlo en múltiples capas de cálculos de probabilidad de ‘prototipo’ neto (las capas que representan el nombre ‘algoritmos de aprendizaje profundo’), Las redes neuronales pueden “aprender” cómo se ve un gatito.
Entonces, para responder la pregunta, los ejemplos más obvios son el reconocimiento facial / de imagen de Facebook, y casi cualquier sitio web de redes sociales que creas aprende tus intereses a través de anuncios, o incluso la selección de música. Además, algunos programas de reconocimiento de voz están comenzando a utilizar este tipo de aprendizaje automático. Lo más interesante es que puede usarse para aprender de grandes cantidades si la resonancia magnética detecta automáticamente y aprende a detectar cualquier cosa de cánceres oscuros, coágulos de sangre o cualquier otra cosa. ¡También se usa actualmente para que los robots ‘aprendan’ el movimiento y el comportamiento humano al observarnos simplemente!
Notas al pie
[1] Teoría ejemplar – Wikipedia
- ¿Cómo detectamos el sobreajuste y la falta de ajuste en Machine Learning?
- ¿Cuál es el libro recomendado sobre 'plasticidad neuronal' para informáticos, programadores o profesionales de aprendizaje profundo?
- ¿Qué teoría debería aprender a crear un algoritmo para clasificar los textos automáticamente?
- ¿Cuáles son las mejores medidas al validar de forma cruzada un modelo para determinar qué tan bueno es el modelo y cómo funcionará en situaciones reales?
- ¿Cómo utilizan los RNN estándar la información de los pasos de tiempo anteriores?
