Hola
No es una locura una ambición. Por lo general, si queremos resolver un problema con el aprendizaje automático , un experto humano debe proporcionar una red neuronal inicial que ya esté estructurada para hacer el tipo básico de cálculo que requiere el problema. AutoML, por otro lado, prueba una serie de algoritmos posiblemente adecuados, esencialmente probando arquitecturas de red neuronal totalmente diferentes, y luego califica cada una contra el objetivo. Sin la necesidad de supervisión humana, con el tiempo el proceso debería centrarse tanto en el mejor enfoque matemático del problema como en la mejor implementación de ese enfoque. La red neuronal final tampoco tiene que usar solo uno de estos algoritmos, y puede incluir elementos individuales de múltiples, si eso es más útil.
En teoría, el enfoque AutoML debería ser capaz de diseñar redes neuronales más eficientes, aunque solo sea por problemas simples en este momento, pero al ser más eficientes, esas creaciones de IA también podrían ser más inescrutables para los humanos.
- ¿Habrá algún problema para obtener F1 VISA para el programa de ciencia de datos de 1 año GalvanizeU, San Francisco?
- ¿Cómo debe ser una declaración de propósito para la Maestría en ciencia de datos?
- ¿Cuáles son los mejores programas para la Investigación de operaciones en los Estados Unidos?
- ¿Puedo comenzar a aprender ciencia de datos y big data a los 34 años o es demasiado tarde?
- ¿Cuáles son las predicciones de resultados de las elecciones UP 2017 según el estudio de la ciencia de datos o el modelo de análisis predictivo?
Ese es el quid del principal ejemplo de Google de las habilidades de AutoML. Dada una gran base de datos de imágenes para clasificar, diseñó una red neuronal que era similar pero ligeramente superior a la diseñada por los ingenieros humanos de Google. Lo que fue tan fascinante sobre este tipo de diseño por proxy es que los ingenieros que observaron la red neuronal de AutoML en realidad no sabían que las diferencias entre ella y la suya eran realmente mejoras; Como no habían creado la red neuronal ellos mismos, al principio no estaban totalmente seguros.
¡Puedes encontrar muchas cosas sobre Machine Learning aquí!
Según una encuesta reciente, solo en Bengaluru se requieren casi 4.000 programadores de aprendizaje automático y de inteligencia artificial. El MD de Microsoft Research India, Sriram Rajamani, les dice a Alnoor Peermohamed y Raghu Krishnan cómo India puede cosechar los beneficios de la industria cambiante.
El Director Gerente de Microsoft Research (MSR) India, Sriram Rajamani, que dirige un laboratorio de informática de 50 personas en Bangalore, nunca creyó que las máquinas pudieran llegar a ser inteligentes algún día. Sin embargo, ahora que lo han hecho, se ha iniciado una reestructuración masiva en todas las industrias. La gran oportunidad para India en aprendizaje automático e IA
La era del aprendizaje automático ya está en pleno apogeo, revela una encuesta reciente realizada por MIT Technology Review Custom en asociación con Google Cloud.
Los investigadores preguntaron a 375 líderes empresariales y de TI de una variedad de organizaciones de todo el mundo sobre su uso del aprendizaje automático. Los resultados incluyen:
1. El cincuenta por ciento de los implementadores de aprendizaje automático pueden cuantificar el ROI de su inversión en aprendizaje automático, y la mitad llama a ese ROI reconocible incluso en una etapa temprana.
2. El sesenta por ciento de los encuestados tiene estrategias de aprendizaje automático en vuelo, y casi un tercio caracteriza sus iniciativas como “maduras”.
3. La ventaja competitiva se ubicó entre los objetivos principales de los proyectos de aprendizaje automático para el 46% de los adoptantes actuales y el 48% de los planificadores. El 26% de los adoptantes actuales dijeron que ya habían obtenido una ventaja competitiva del aprendizaje automático.
4. La inversión en aprendizaje automático está creciendo, ya que el 26% de los encuestados dedica más del 15% de sus presupuestos de TI a proyectos de aprendizaje automático.
BLOG DE GOOGLE CLOUD BIG DATA Y APRENDIZAJE DE MÁQUINAS