Bueno, ¡ojalá estuviéramos en el punto en que pudiera responder esta pregunta! Resolver problemas de LD todavía requiere una gran participación humana en el proceso completo: formular la tarea de ML, definir las métricas para optimizar, las cantidades para predecir, evaluar los datos disponibles y los datos adicionales para recopilar, elegir un modelo del conjunto de modelos que son adecuados para la tarea de predicción en cuestión. Luego, por supuesto, está la consideración de eficiencia computacional. Si el modelo necesita ejecutarse en producción como parte de un sistema de ML que impulsa un producto, el beneficio de cualquier precisión adicional que brinde la complejidad computacional marginal debe superar el costo de ese costo adicional. En otras palabras, la precisión no es el único criterio: el costo computacional es otro importante.
Un esfuerzo emocionante que creo ilustra dónde realmente deseo que ML fuera es el Estadístico Automatizado (http: //www.automaticstatistician…) de algunos de mis amigos y ex colegas de la Universidad de Cambridge. La idea en su caso es automatizar el análisis de datos. Otra dirección emocionante es la tendencia “Auto ML” que comenzó en el taller homónimo de ICML 2015 (http://www.automl.org/), que tiene como objetivo automatizar tanto como sea posible la todavía intensa participación humana en ML.
No hay ninguna razón por la que no podamos construir una IA que automatice el análisis de datos y la tarea de modelado y predicción basada en ML.
- ¿Cómo podemos solucionar esto?
- ¿Se usa R ampliamente hoy en día en la ciencia de datos?
- ¿Es una persona inteligente debido a los 'algoritmos' que usa su cerebro? Si es así, ¿alguien podría copiar ese 'algoritmo' para ser igualmente inteligente?
- ¿Qué tipos de algoritmos o códigos no valen la pena publicar en trabajos académicos de estudiantes graduados?
- ¿Qué es la recursividad en matemáticas?
En una nota más divertida, crecí usando Procesos Gaussianos y un tratamiento Bayesiano de muchos modelos usando MCMC para inferencia aproximada si la distribución posterior y predictiva era intratable. Mi pasatiempo todavía es jugar con tales modelos y métodos de inferencia. Esto no los convierte en el algoritmo de ML que usaría el resto de mi vida si solo pudiera usar uno, pero son ciertamente divertidos de usar e intelectualmente inmensamente gratificantes.
