Aprendizaje automático continuo. Esto se ejemplifica con proyectos ambiciosos como NELL: Never Ending Language Learning y NEIL: Never Ending Image Learning. Como seres humanos, aprendemos naturalmente por
- detectar información a través de varios modos de entrada muy diferentes
- contrastando la entrada con lo que ya sabemos sobre el mundo para decidir en qué se diferencia exactamente de nuestro conocimiento actual y, por lo tanto, si podemos aprender algo nuevo
- decidir si es importante saber para nuestros objetivos e intereses actuales
- retenerlo si es importante
- enfrentando recompensas y castigos para aprender las consecuencias de nuestras acciones
Un algoritmo de aprendizaje automático perfecto podría hacer exactamente esto: seguir evolucionando sus conocimientos y modelos automáticamente en función de la información, las recompensas y los castigos que recibe. Sin embargo, esto es increíblemente difícil de hacer porque con el aprendizaje automático continuo, los errores continúan acumulándose y sus efectos se combinan con el tiempo. Por ejemplo, el NELL mencionado anteriormente ha aprendido una gran cantidad de relaciones obviamente espurias y las ha codificado en la base de conocimiento.
- Cómo demostrar que una pequeña mejora en un puntaje F es estadísticamente significativa
- ¿Es la memoria y la potencia informática paralela masiva del cerebro más útil para el "entrenamiento" o la "prueba"?
- ¿Cuál sería un buen enfoque de aprendizaje automático para un bot de comercio de criptomonedas con aproximadamente media docena de parámetros de entrada de estrategia de comercio numérico y una salida numérica (porcentaje de ganancia diaria)? Todos los días el modelo probaría nuevos parámetros.
- ¿Qué conjunto de datos público está disponible para hacer reconocimiento facial?
- ¿Cómo está bien si me resulta difícil recordar todo después de terminar el curso de aprendizaje automático?
