Esperemos que haya tomado álgebra lineal en sus estudios y haya realizado un mapeo multidimensional. Uno de los problemas que aborda el aprendizaje automático es el tiempo. Tomemos un problema de reconocimiento de imagen estándar de un gato. Miles de imágenes de gatos se colocan en un formato estándar y se introducen en el aprendizaje automático, y con las capas permiten que los algoritmos de ML decidan un patrón que es único para los gatos que asocian la palabra con los patrones. Las imágenes mismas son una secuencia de bits que representan la imagen. Una imagen en blanco y negro es una secuencia de filas con 0 y 1, 0 para negro y 1 para blanco.
Una imagen en color representa cada color como una serie de bytes, por lo que para una imagen en color de 24 bits hay un byte para rojo, verde y azul que representa un solo píxel de color. Mapeamos 3 dimensiones de color en un solo punto.
- Estoy realmente interesado en la computación paralela y quiero trabajar con ella en el futuro. Para la universidad, ¿debo especializarme en ingeniería informática o informática?
- ¿Qué opinas sobre TensorFlow o cualquier otra herramienta de aprendizaje profundo?
- ¿Qué especialización de doctorado en informática tiene una gran demanda en los campos de TI?
- ¿Cómo detectan las cámaras de vigilancia del aeropuerto un comportamiento sospechoso?
- ¿Cuál es la prueba intuitiva más simple del algoritmo de ruta más corta de Dijkstra?
Si agregamos tiempo a la ecuación, podemos mapear los cambios en un solo píxel a lo largo del tiempo capturando cada píxel en un intervalo de tiempo, de modo que si capturamos datos cada segundo durante diez segundos, tendríamos 24 bits x 10 segundos para cada píxel.
Imagine que cada píxel coloreado es, en lugar de un color, la amplitud, la velocidad de cambio y la frecuencia de los datos de un sensor que se han suavizado y conformado utilizando alguna función de cuadratura, y que tiene muchas entradas de sensor, cada una correspondiente a un píxel e intervalos de tiempo discretos. Los sensores podrían ser cualquier cosa; luz, presión, audio, temperatura, aceleración, dirección, etc. Caracterizar una matriz de sensores a lo largo del tiempo como una sola imagen y procesarla para patrones identificables permite que el aprendizaje automático identifique patrones antes de los eventos. Este es el futuro de la tecnología de sensores para la salud, la robótica, el tráfico y la delincuencia.