Creo que la mayoría de los problemas que los investigadores de robótica están tratando de resolver con el aprendizaje automático tienen que ver con tratar de pasar de una situación no estructurada o desconocida a una situación que se conoce o se entiende lo suficientemente bien como para que un proceso automatizado interactúe o influya. Esa es una manera muy cautelosa de decir que el aprendizaje automático se está utilizando para comprender cosas más allá de lo que podemos codificar directamente como verdades básicas. Algunas expresiones de esto incluyen lo siguiente:
- Reconocimiento de objetos en entornos no estructurados: utilizando un sistema de visión por computadora para capturar una imagen o imágenes de una escena de un entorno y segmentar elementos únicos dentro del entorno, luego identificar cuáles son esos objetos.
- SLAM (locomoción y mapeo simultáneos) utilizando la retroalimentación del sensor para generar un mapa de su entorno mientras lo atraviesa.
- Mejora de procesos: usar la información del sensor para obtener una comprensión más profunda de los procesos ya automatizados, como el mantenimiento de máquinas o la gestión de activos, y usar esta información para mejorar los procesos.
- etc.
- etc.
- etc.
Esencialmente, las aplicaciones del aprendizaje automático no son ilimitadas, pero ciertamente más allá de lo que puedo imaginar y poner en una breve nota. Creo que lo más importante que hay que entender sobre el aprendizaje automático no es en qué es bueno , sino en qué no es bueno. El aprendizaje automático tiende a funcionar mejor en situaciones en las que puede proporcionarle datos de capacitación o donde hay categorías claras. El ejemplo clásico de esto son los precios de la vivienda. Puede programar fácilmente un algoritmo de aprendizaje automático para hacer una predicción razonable del precio de venta de una casa en función de una serie de características de entrada y, lo que es más importante, un conjunto de datos de capacitación con características de entrada en un rango similar. Alternativamente, si hay clases claras (como fanáticos de los yankees y fanáticos de los Red Sox) en un juego de béisbol, el aprendizaje automático puede determinar cuál es cuál si se le dice qué características mirar en esa población (es decir, el color de la camiseta). Las cosas en las que el aprendizaje automático no es bueno, lo que a menudo se discute inapropiadamente son estos conceptos “etéreos” suavemente definidos como la conciencia, la inteligencia general, la toma de decisiones, etc.
El aprendizaje automático es sorprendente, profundamente poderoso y maravillosamente flexible, pero sigue siendo lo que parece. Enseñar una máquina, aprender. Para ello, primero comprende el proceso y problema usted mismo.
- ¿Cuál es la diferencia entre datos etiquetados y datos no etiquetados?
- ¿Cuáles son algunos algoritmos que un científico de datos debe saber y comprender?
- ¿Qué parámetros en los datos de entrenamiento / prueba deben considerarse para decidir la elección de un método de clasificación de aprendizaje automático (fuera de SVM, red neuronal, regresión logística, etc.)?
- ¿Cuál es una forma intuitiva de explicar los resultados de la PCA?
- ¿Cómo se relaciona la RNN con el aprendizaje profundo?
Espero que esto ayude.
