Intenté no escribir ejemplos del uso industrial de los algoritmos de aprendizaje automático e intenté mantener la vida cotidiana de los humanos.
Esta es la forma en que podríamos aplicar algoritmos de Machine Learning a nuestra vida diaria.
Regresión lineal
- ¿Qué opinas de la biblioteca de aprendizaje profundo de código abierto de Amazon 'DSSTNE' (pronunciado Destiny)?
- Dado el número de heurísticas arbitrarias involucradas, ¿por qué deberíamos tener tanta fe en las redes neuronales profundas?
- ¿Cuáles son algunos de los documentos fundamentales sobre el aprendizaje profundo?
- ¿Dónde se pueden encontrar videos de Udacity Machine Learning Nanodegree gratis?
- ¿Puedo trabajar en Google Machine Learning con una licenciatura en Informática pero habiendo realizado dos pasantías y 3 proyectos de código abierto?
Supongamos que su productividad en el trabajo depende de los siguientes factores (¿pocos?)
a. Hora en que te fuiste a dormir la última noche.
si. Hora en que te levantaste esta mañana.
do. Cosas que comiste ayer para cenar.
re. Cosas que tenías para el desayuno de hoy.
mi. Tiempo de entrenamiento.
F. Tiempo de meditación.
sol. Clima
h. Noticias. (Es intuitivo que nuestra productividad laboral pueda verse afectada con los eventos actuales)
Podemos generar datos de entrenamiento para nosotros mismos. Luego aplique la regresión lineal y (¿intenta?) Predecir cuánto productivo podemos ser hoy en el trabajo.
Regresión logística-
Supongamos que tenemos un equipo que ha participado en un torneo anual de fútbol. Necesitamos jugar un partido todas las semanas. Necesitamos predecir si podríamos ganar nuestro próximo partido de fútbol.
Factores
- La racha ganadora de nuestro equipo.
- Racha ganadora del equipo contrario.
- Salud de los jugadores de nuestro equipo. a.Salud física, b.Salud mental.
(Nota: aquí podríamos hacer que nuestra formulación de predicciones sea interesante al considerar los pesos para los jugadores. Por ejemplo, si la moral de nuestro capitán está alta, puede contribuir a que ganemos por un factor más fuerte. Del mismo modo, al revés).
- Salud de los jugadores del equipo oponente.
- Partido local / visitante.
- El tiempo y su relación con los jugadores de nuestro equipo, así como con los jugadores del equipo oponente.
- Eventos que suceden alrededor. (Vinculado a la moral de los jugadores)
Podríamos usar la regresión logística y generar una variable de respuesta que calcule si ganaríamos o perderíamos.
Aprendizaje reforzado
¡La forma en que aprendemos todos los días! Esta es la verdadera belleza.
Imagina que te arrojan a un mundo completamente nuevo. Necesitas aprender’. Tiene manos y piernas (puede causar acciones). Tiene órganos sensoriales (puede ver los efectos). Debe seguir haciendo acciones y recompensarse según el efecto de su acción. Ejemplo (tipo de debilidad): Te das un +5 si no te caíste durante los primeros K pasos de caminar, da un -7 por caerse del camino ‘fácil’. [No hagamos las cosas interesantes entrenándonos para estos números de recompensas].
Finalmente, aprendes cosas. En realidad, sigues aprendiendo cosas a lo largo de tu vida con refuerzos. No puedo escapar de este, ¿verdad?
KNN (Vecinos K-más cercanos)
“Un hombre es conocido por la compañía que mantiene”
Reducción de dimensionalidad
Eliminemos algunas cosas como ‘Noticias’ del Ejemplo de regresión lineal anterior. Intentamos simplificar nuestra vida eliminando los cálculos de dependencia de las funciones que no nos afectan demasiado. Incluso agrupamos características juntas – Ej: podemos agrupar 1 y 2 de Regresión lineal en un solo parámetro – decir ‘Duración de nuestro sueño’
