La mayoría de estos algoritmos se utilizan para optimizar algún tipo de función objetivo o un conjunto de parámetros con fines predictivos. La idea es observar muchos ejemplos para entrenar el modelo y luego aplicar el modelo entrenado en nuevos datos para predecir, reconocer, clasificar, etc. Muchos de estos problemas carecen de soluciones conocidas de forma cerrada, lo que los hace candidatos perfectos para la máquina estadística aprendizaje y minería de datos. Muchos de estos algoritmos son aleatorios y, por lo tanto, pueden producir diferentes resultados en diferentes ejecuciones.
Se han utilizado algoritmos evolutivos para producir fórmulas matemáticas de forma cerrada. En particular, uno de los usos representativos de la programación genética fue la evolución de tales fórmulas: ver Programación genética.
En principio, los algoritmos evolutivos no necesitan ser únicos en este sentido. Uno puede imaginar la inicialización de un gran vector de parámetros posiblemente pseudoaleatorio en varios algoritmos de aprendizaje automático y optimizarlos para producir una función.
- Si se puede programar una IA totalmente autorreprogramada y totalmente sensible, ¿hay alguna forma de evitar que tenga alguna posibilidad de ser maliciosa?
- AlphaGo vs Lee Sedol: ¿Quién gana y cuál será el puntaje final? ¿Por qué piensas eso?
- ¿Cuáles son las dificultades comunes para los nuevos desarrolladores en aprendizaje automático?
- ¿Por qué están preocupados Elon Musk y Bill Gates por los avances en el aprendizaje automático y la IA? ¿Cuál es el fundamento de sus miedos?
- ¿Qué son los conjuntos de datos en el aprendizaje automático y cómo funcionan?
