Dividiré sus preguntas en dos partes separadas y responderé cada una por separado.
¿Hay alguna forma más inteligente de abordar la cuestión de la inteligencia?
Probablemente, y se lo alienta mucho a seguir otras rutas, o tratar de pensar en su propio enfoque. Muchas personas creen (d) que la lógica, por ejemplo, es esencial para cualquier sistema inteligente, algo que se descuida en ML. Otros siguen la ruta del modelado conductual, búsqueda, planificación, etc. Nadie afirma que ML es el único, o incluso el mejor, camino hacia la recreación de la inteligencia. De hecho, ese no es el objetivo de ML en absoluto, que (simplificar demasiado las cosas) es el estudio de cómo uno puede formalizar (por ejemplo, expresar en términos computacionales y matemáticos) la noción de aprender de los datos y la experiencia. Los investigadores de IA han encontrado que el ML es extremadamente útil en muchos casos, pero los investigadores de ML (al menos los que conozco) no afirman estar trabajando en “recrear la inteligencia”.
- ¿Qué es el aprendizaje automático en la predicción de emociones basada en texto?
- ¿Se puede trabajar en Machine Learning con un doctorado en estadísticas?
- ¿Cuáles son algunos de los mejores programas de posgrado de aprendizaje automático que no requieren un título universitario de CS?
- ¿Cuál es la ventaja del modelo espacial autorregresivo?
- ¿Cómo funciona el mecanismo de atención de múltiples cabezas en el aprendizaje profundo?
¿ML es simplemente una ingeniosa búsqueda en espacios de funciones?
No. La pregunta muestra una falta fundamental de comprensión de lo que es ML. Algunos procesos de optimización implican procedimientos de búsqueda guiados o inteligentes sobre espacios de parámetros (grandes), pero estos son más detalles de implementación que principios básicos. Tómese un poco más de tiempo para estudiar el campo. Examine ideas como aprendizaje de representación, aprendizaje activo, inferencia variacional, modelos gráficos, aprendizaje relacional. Piense en lo que significa aproximar una distribución posterior, o guíe un modelo hacia una representación útil de datos. Mire modelos como redes neuronales convolucionales / recurrentes / bayesianas, autoencoders variacionales, aprendizaje Q profundo. Cuando tenga una comprensión un poco más amplia del campo, las cosas comenzarán a tener sentido, y verá que los principios subyacentes son más profundos que las “búsquedas ingeniosas”.