¡Muchas maneras! Aquí hay algunos que sé sobre mi cabeza:
- Detección y clasificación de características usando datos de Hubble o Kepler para identificar estrellas, supernovas, cúmulos, galaxias, cuásares, exoplanetas, etc. También puede usar las mismas técnicas para comprender una superficie planetaria a partir de imágenes más rugosas, a veces en espectros EM que no están en el espectro rango visible. Los rovers planetarios y otros vehículos también lo usarían para comprender su entorno y echarles un vistazo, evitarlos, o al menos tomar fotos desde lejos para que no se pierdan cosas científicas interesantes.
- Navegación y planificación de la ruta de los robots planetarios para que no se atasquen o tarden una eternidad en llegar a su destino. Por lo general, esto no es 100% autónomo. Los planificadores de la misión establecen puntos de referencia generales en el camino hacia el destino final, pero el rover mismo debería averiguar exactamente cómo llegar a ese punto de referencia.
- Reconstrucción de imágenes bidimensionales o tridimensionales utilizando datos satelitales y / o datos móviles. Esto ayuda con el bit de planificación de ruta para rovers. Es un poco difícil saber lo que estás haciendo en general si todo lo que tienes es una cámara en el suelo. Utilizar un ojo en el cielo de forma autónoma es un problema interesante e importante. También tiene los problemas más pequeños con el móvil de decir qué está mirando en el mundo. Entonces, cosas como la detección del horizonte y la selección arbitraria de características (como características más grandes más allá de rocas y cosas) también serían parte de todo este sistema.
- Detección de anomalías en sistemas autónomos. Entonces tienes un montón de sensores alrededor del sistema de motor de un F-18. ¿Cómo se detecta una falla potencial? Bueno, eso es un poco fácil, pero desea hacerlo de esa manera, mucho antes de que ocurra cualquier falla. El monitoreo inductivo es una técnica desarrollada para detectar posibles fallas mucho antes de lo que realmente ocurrirían. Un experimento mostró que IMS detectaba una falla próxima con 6 días de anticipación .
- Ciencia adaptativa (la recopilación inteligente de datos científicos). Tiene este explorador o sonda que tiene capacidades de potencia limitadas. El objetivo de la misión es encontrar más información sobre cosas, por lo que desea tomar la mayor cantidad de datos posible. ¿Cómo equilibras estas dos restricciones? Una cosa que puede hacer es tomar muestras dispersas y reconstruir la realidad del entorno a partir de esas muestras. De esta manera, ha utilizado menos energía para obtener aproximadamente los mismos datos, si lo está haciendo correctamente. Esto es genial porque entonces quizás puedas gastar más energía en otras cosas (y siempre hay más cosas que sería bueno hacer).
- Detección de eventos. Digamos que estás en Titán, que tiene una atmósfera de metano y etano, así como lagos y mares. Tiene un clima análogo al de la Tierra, pero mucho más frío y más extraño. ¿Cómo se ve una tormenta? Nadie lo sabe, pero desea poder aprender esto de los datos que ha recopilado. Al hacer un análisis de series de tiempo y utilizar algunas técnicas de aprendizaje interesantes, puede llegar a algunos estados aprendidos que le indican si el entorno está en un estado que le interesaría o no.
Agregaré más si los recuerdo.
- En la minería de texto, ¿por qué deberíamos eliminar el término disperso de la matriz de términos del documento?
- ¿Cuál es el estado del arte para SLAM en dispositivos móviles?
- ¿Cuáles son las industrias que probablemente se verán afectadas por el aprendizaje profundo?
- Con respecto al descenso de gradiente funcional, ¿qué significa minimizar un funcional con respecto a una función? Proporcione un ejemplo claro.
- ¿Cuáles son los formatos estándar para compartir datos de aprendizaje automático?
