¿Dónde aplicarías algoritmos de aprendizaje automático en tu vida diaria? ¿Por qué?

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

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

  1. La racha ganadora de nuestro equipo.
  2. Racha ganadora del equipo contrario.
  3. 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).

  1. Salud de los jugadores del equipo oponente.
  2. Partido local / visitante.
  3. El tiempo y su relación con los jugadores de nuestro equipo, así como con los jugadores del equipo oponente.
  4. 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’

More Interesting

¿Los HMM aún superan a los LSTM en pequeños conjuntos de datos?

¿Cuáles son algunas aplicaciones del aprendizaje automático para la ciencia ambiental y la ingeniería ambiental?

¿Qué significa 'estimación ML o MAP no captura la incertidumbre de los parámetros'?

En un modelo gráfico dirigido, el aprendizaje es fácil pero la inferencia es difícil. ¿Es esto cierto?

¿Cómo podemos hacer una buena predicción usando el aprendizaje profundo MXNet R?

Cómo elegir un tema de tesis doctoral en aprendizaje profundo

¿Por qué necesitamos barajar entradas para el descenso de gradiente estocástico?

Supervisado versus no supervisado, inferencia versus predicción, paramétrico versus no paramétrico, ¿cómo se combinan esas características entre sí?

¿Puede un autoencoder sobreajustar cuando tiene una cantidad mucho menor de neuronas de capa oculta que la capa de entrada y también se usa la deserción?

¿Cuál es la diferencia entre una cadena de Markov recurrente y una cadena de Markov absorbente?

¿Por qué el método de Newton solo es apropiado cuando el hessiano es positivo definido?

¿Qué sucede si hacemos que cada unidad de filtro o núcleo en una capa CNN dentro de una red neuronal profunda tenga diferentes tamaños de ventana pero el mismo número de parámetros de peso (lo que resulta en granulado grueso)? ¿Podría conducir a un efecto contextual?

¿Qué son los sistemas de detección?

Composición musical algorítmica: idea para una investigación

¿Qué es el condicionamiento en el aprendizaje seq2seq?