Con una robusta ontología de las características de los ingredientes (el azúcar es dulce, los hongos son terrosos) y las transformaciones de las características dadas varias operaciones (calentar las claras de huevo provoca la reafirmación), se puede realizar una extracción de datos en conjuntos de recetas calificadas para modelar de qué se trata una receta que resulta sabrosa comida. Una vez que tenemos un modelo, podemos predecir combinaciones y recetas de ingredientes buenas o malas o incluso podemos generar otras nuevas.
Mi trabajo involucra la detección de incongruencias dentro del texto usando ontologías, así que he estado trabajando en un pequeño ejemplo de juguete que involucra la detección automática de conjuntos de ingredientes sabrosos versus no sabrosos (correspondientes a recetas) usando una ontología de ingredientes. Muchos han planteado la hipótesis de que la comida sabrosa implica incongruencias de sabor y textura; Hay un nivel de humor en la comida. Nos gusta la experiencia simultánea de gustos y texturas opuestos o contradictorios. Por ejemplo, algo que sea suave y crujiente, caliente y frío, etc. Al mismo tiempo, los ingredientes deben ser armoniosos; La incongruencia es una característica clave, pero puede haber otras. Quiero usar la minería de datos para establecer la incongruencia como una característica clave de una buena comida, probar esta hipótesis, pero también para explorar un espacio de hipótesis y dejar que la computadora y su estrategia de modelado automatizada cuenten su propia historia.
Estoy seguro de que esto ya se está haciendo y ya está cambiando el mundo de la alimentación. En nuestro departamento y en muchos otros, el aprendizaje automático se está utilizando para modelar lo que hace que el vino sea bueno o malo, por ejemplo. En términos de big data, más que nunca hemos calificado las recetas, ya sea a través de un sitio web donde las personas clasifican las recetas o mediante encuestas de experiencia del cliente. El aprendizaje profundo debería volverse más popular en la creación de nuevas ideas de productos en lugar de un grupo ingenuo (incluso si son expertos) sentados y participando en sus prejuicios para crear nuevos productos que a menudo fallan.
- ¿Qué tan confiables son las estadísticas oficiales del gobierno en los Estados Unidos?
- ¿Cuáles son algunos ejemplos del mundo real de análisis predictivo?
- ¿Quién ofrece servicios de limpieza o depuración de datos en EE. UU.?
- ¿Qué antecedentes se requieren para la ciencia de datos?
- ¿Hay algún buen conjunto de datos de huellas dactilares y / o iris disponibles públicamente para el aprendizaje automático?
🙂
