Dos objetivos del aprendizaje automático
Comprender la “naturaleza de la inteligencia / aprendizaje”
- ¿Cómo lo hace el cerebro?
- ¿Los “componentes básicos” de lo que nos hace inteligentes?
- ¿Pueden las máquinas “ver”, “escuchar”, “actuar” como los humanos?
- ¿Pueden las máquinas “entender”, “pensar”, “crear” como los humanos?
Impulsar decisiones a partir de datos
- ¿Qué hace la informática afectiva?
- ¿Qué tan peligrosa es la inteligencia artificial de Facebook?
- ¿Cómo es tener a Peter Stone como tu supervisor de doctorado? ¿Cómo es ser parte de su grupo de investigación?
- ¿Cuáles son algunas de las características que le gustaría ver en los asistentes personales de IA?
- ¿Qué piensan los neurocientíficos de las redes neuronales computacionales y el aprendizaje profundo?
- Comprender: la naturaleza de los datos
- Aprenda de datos anteriores: causa y efecto
- Predecir hacia el futuro – Observación a la predicción
- Medir el impacto: estadísticas y métricas empresariales
- Adaptación: a medida que cambian los datos, diferentes dominios, etc.
Entonces, ¿cuál es la motivación detrás de esto? Cerebro humano !
El cerebro nunca está estático o en modo “convergente”. Es más como un motor de aprendizaje en línea.
La mayoría del trabajo inicial en el campo que identificamos hoy como aprendizaje automático ha surgido de la neurociencia computacional, la ciencia cognitiva y el deseo de construir una máquina que funcione como el cerebro humano.
ESCUCHE LOS DATOS
Probablemente lo más importante que estoy aprendiendo de mi trabajo es escuchar los datos. Cuando voy en la dirección equivocada, generalmente es porque estoy tratando de hacer que los datos se ajusten a una idea con la que comencé en lugar de mirar y escuchar las sutilezas / pistas de que los datos están susurrando a través de la tecnología.
Ciencia: una colección cada vez mayor de algoritmos de aprendizaje.
Así que este debería ser su enfoque “general” mientras piensa en un “problema” <>
¤ Proceso : construcción, evaluación y refinamiento de modelos ML
¤ Arte : crear las funciones correctas, abordar problemas de datos,
elegir los algoritmos ML adecuados (complejidad), etc.
¤ Ingeniería : construcción y despliegue a gran escala, real-
cronometrar modelos ML, actualizar modelos rápidamente, etc.
¤ Aplicación – aplicando los algoritmos ML a
dominios diferentes (p. ej., texto frente a imágenes frente a voz, etc.)
¤ Diferentes problemas comerciales (por ejemplo, seguridad, fraude, abandono, etc.)
La teoría del aprendizaje automático extrae elementos de la teoría de la computación y las estadísticas e involucra tareas tales como:
• Crear modelos matemáticos que capturen aspectos clave del aprendizaje automático, en los cuales uno puede analizar la facilidad o dificultad inherente de los diferentes tipos de problemas de aprendizaje.
• Probar garantías para algoritmos (bajo qué condiciones tendrán éxito, cuántos datos y tiempo de cálculo se necesitan) y desarrollar algoritmos de aprendizaje automático que cumplan con los criterios deseados.
• Analizar matemáticamente cuestiones generales, tales como: “¿Por qué es una buena idea la Navaja de afeitar de Occam?”, “¿Cuándo se puede confiar en las predicciones hechas a partir de datos limitados?”, “¿Cuánto poder agrega la participación activa sobre la observación pasiva para el aprendizaje?” , y “¿Qué tipo de métodos se pueden aprender incluso en presencia de grandes cantidades de información que distrae?”