Permítanme comenzar con una analogía. Cuando era más joven solía pintar. Con colores de póster (una pintura opaca soluble en agua). En teoría , podría gestione con el conjunto básico de 6 colores que puede comprar, creando los demás mezclándolos en una paleta. Pero eso no sería rápido. También podría ser una distracción. Especialmente cuando había un montón de otros tonos disponibles a bajo precio.
Veo algoritmos en Machine Learning como estos colores. Y el problema que estás tratando de resolver como la pintura que quieres hacer.
========================
- ¿Quiénes son los visionarios en IA que debo seguir?
- ¿Confiaremos en los robots?
- ¿Por qué la comunidad de IA, incluso las principales empresas líderes, cree en la inteligencia artificial por el cerebro / neurociencia?
- ¿Hay algún buen algoritmo de aprendizaje automático de código abierto implementado por MPI? No encontré ninguno de google
- ¿Por qué el aprendizaje automático es menos satisfactorio que la codificación estándar?
Todos los algoritmos de aprendizaje automático resuelven un problema de optimización basado en ciertos supuestos sobre los datos.
Piense en la combinación (wref a un algoritmo):
problema de optimización resuelto + supuestos sobre datos
como una solución estándar preempaquetada que espera ser aplicada a un problema.
Ahora, cuando realmente está resolviendo un problema, los datos que está viendo tienen ciertas propiedades :
- tienes mucho
- no es de alta dimensión
- la secuencia no importa
- tiene solo un puñado de características discriminatorias
- las etiquetas son linealmente separables
etc.
y hay ciertas métricas que quizás desee optimizar, por ejemplo, alta precisión, baja varianza, etc., dependiendo de la tarea exacta que esté resolviendo.
La solución que debe elegir idealmente debe tener sus ” supuestos sobre los datos” que coincidan con estas propiedades.
El ” problema de optimización que está siendo resuelto” por su solución idealmente debe coincidir con su objetivo de optimización.
Conocer más algoritmos te ayuda a hacer esta correspondencia más rápido. Y de manera más confiable, porque, muy probablemente, esta solución estándar proviene de una revista revisada por pares de autores que han dedicado mucho tiempo a estudiar su problema.
En teoría , podrías descubrirlos desde cero, pero no quieres. Y, de todos modos, encontrar un buen algoritmo desde cero es mucho más difícil que mezclar colores 🙂