El sitio web ml.berkeley.edu al que te refieres es el club de aprendizaje automático en Berkeley, y si bien hacen un gran trabajo, no tienes en cuenta a toda una sección de estudiantes que utilizan el aprendizaje automático de alguna forma en su investigación.
Para ir en una ligera tangente, Machine Learning es un subconjunto de Inteligencia Artificial . Debido a que ambas son palabras de moda, a menudo se piensa que son temas muy diferentes o totalmente diferentes, cuando en realidad, uno es un subconjunto del otro. La Inteligencia Artificial está creando algún programa que puede realizar tareas que generalmente involucran cierta “inteligencia humana” (tomar decisiones basadas en algún conocimiento previo). Machine Learning está creando algún programa que no necesita programación explícita para realizar una tarea, es decir, aprenderá de errores anteriores sin intervención humana. Ahora que hemos aclarado la definición de estas 2 palabras, comenzará a ser más fácil ver cómo otros grupos usan Machine Learning en sus proyectos.
La Investigación de Inteligencia Artificial de Berkeley [1] realiza bastantes proyectos relacionados con el Aprendizaje Automático, y discutiré brevemente algunos de sus proyectos. Un proyecto particular que ha despertado mi interés es la investigación realizada con respecto al reconocimiento de imágenes. La idea básica es que, dada una imagen, un programa debería poder responder preguntas al respecto, algunas de las cuales requieren múltiples capas de razonamiento. Podemos tomar el siguiente ejemplo: [2]
- ¿Cuál es la diferencia entre las redes neuronales recurrentes y las redes neuronales recursivas?
- ¿Cómo se comparan las capacidades y trayectorias de aprendizaje automático de Facebook y Google? ¿Por qué esto importa en términos del desempeño futuro de las dos compañías?
- ¿Qué es el arranque en la computadora? ¿ROM tiene algún papel que desempeñar?
- ¿Por qué fue difícil romper la máquina Enigma? ¿Fue su diseño muy inteligente y genio?
- ¿Es posible ver si / cuando un archivo fue copiado en mi computadora?
Esta pregunta es bastante difícil: primero la computadora tiene que ver cuál es la imagen real. Luego tiene que encontrar el cilindro azul y determinar su tamaño. Después de esto, el programa debe encontrar un objeto que tenga el mismo tamaño. Este problema se resuelve parcialmente con el uso de múltiples redes neuronales en lugar del entrenamiento de una sola. Para más información visite aquí [3]
El grupo de Investigación de Inteligencia Artificial de Berkeley puede parecer el grupo más obvio que incorpora Machine Learning; sin embargo, Machine Learning es una herramienta, y muchos proyectos incorporarán alguna forma en sus proyectos. Otro ejemplo proviene del grupo EDUC [4]. El proyecto que me gustaría discutir tiene que ver con la creación de un sistema de sugerencias personalizado para los estudiantes mientras trabajan en proyectos. El resumen se puede encontrar aquí [5].
Mi amigo realmente trabaja en este departamento, y estoy bastante fascinado. La clasificación de los problemas en el código en función de los envíos de ese mismo estudiante y otros permite más “enseñanza no supervisada”. Este sistema es realmente imprescindible para Berkeley, donde los cursos de la división inferior son de aproximadamente 1500 estudiantes. Tener un sistema de este tipo ayudará significativamente al personal del curso y puede aplicarse a otros cursos y proyectos. Esto también ayuda mucho a los niños que están cansados de ver este mensaje de error [6]
Los 2 proyectos son uno de los muchos que están ocurriendo en UC Berkeley que tienen que ver con Machine Learning. Los proyectos en campos como biología, seguridad, educación y gráficos están tomando conceptos de aprendizaje automático para alcanzar su objetivo.
Si desea más detalles sobre qué grupos de investigación en Berkeley visitan aquí [7]
Notas al pie
[1] Laboratorio de investigación de inteligencia artificial de Berkeley
[2] Aprendiendo a razonar con redes de módulos neuronales
[3] Aprendiendo a razonar con redes de módulos neuronales
[4] EECS en UC Berkeley
[5] https://www2.eecs.berkeley.edu/P…
[6] 61A Otoño 2016 Lab 01 Tutorial
[7] EECS en UC Berkeley