¿Puede una red neuronal artificial entrenar algún tipo de datos?

Uno de los grandes errores que cometen las personas cuando pasan del mundo académico / teórico al mundo real es que la estructura de datos es la parte más importante de la ecuación. Claro, puedo construir un GA o NN muy elegante, pero, al igual que en el mundo real, se aplica GIGO (basura en la basura).

Por ejemplo: suponga que desea un motor de inteligencia artificial (no importa qué tipo) para analizar acciones con el propósito de elegir oportunidades de inversión positivas. Ha adquirido una gran cantidad de datos retrospectivos (sin embargo, esa cantidad realmente es) con precios de acciones diarios u horarios. O tal vez incluso tenga los precios reales de las garrapatas.

Cuando entrega esos datos al motor de IA, lo que le ha dado son días y precios. Imagínese si le di esos datos y le pido que los analice. Supongamos que le pregunto: “¿$ 48 es un buen precio para Microsoft?” La respuesta es: “Eso depende de cuándo hiciste la pregunta. Si hiciste esa pregunta en junio de 1999, la respuesta habría sido” Sí “, porque MSFT estaba en camino entonces. Pero si hicieras esa pregunta algunas veces meses después, obtendría una respuesta diferente: alcanzó su punto máximo en diciembre de ese año, luego se estrelló y se quedó abajo hasta que tocó fondo en marzo de 2009 a $ 15.

El punto es que si USTED estuviera analizando los datos, crearía campos que representaran cambios relativos al tiempo en lugar de solo precios brutos. Probablemente harías mucho más.

Esa es la respuesta simplista. No asumas que el motor de inteligencia artificial lo resolverá de alguna manera. Como ese maestro de la motivación, Anthony Robbins, solía decir: “Haga buenas preguntas si desea obtener buenas respuestas”. Asegúrese de que sus datos le den al motor la oportunidad de hacer buenas preguntas.

Creo que primero tendremos que darle la vuelta a la pregunta … Son los “datos” los que entrenan a la “red neuronal” y no al revés … Se ha demostrado matemáticamente que las redes neuronales de aprendizaje profundo como las que se usan en la actualidad. La IA se basa en funciones computacionales no intercambiables y se puede comparar con la puerta NAND, que también es una función de computación no intercambiable en el hardware de la computadora.
La prueba anterior implica que una red neuronal artificial que es lo suficientemente “profunda” y “lo suficientemente amplia” puede calcular virtualmente cualquier función siempre que tengamos éxito al alimentarla con las cantidades correctas de datos de entrenamiento. Sin embargo, una red neuronal artificial es una gran función compuesta cuando se expresa matemáticamente con cada componente como una función no lineal que es “diferenciable” en cada punto de su conjunto de datos de consideración, como las funciones Sigmoid o ReLu … Por lo tanto, no solo es importante que nosotros tener datos adecuados, pero también es mucho más importante que obtengamos la combinación de funciones correctas en términos de profundidad y amplitud al diseñar y diseñar una red neuronal artificial … Esto hace que el diseño de una red neuronal artificial sea tanto un ARTE como una CIENCIA …
Tendremos que diferenciar entre el hecho de que las Redes Neurales tienen la propiedad esencial de resolver cualquier problema dado el tiempo infinito o los recursos infinitos Y el hecho de que en la realidad y la práctica a menudo necesitamos soluciones a problemas en una cantidad de tiempo “finito” con “finito” “recursos informáticos …