¿Cuáles son los temas candentes en Machine Learning Research en 2017?

¡Hola! Soy un estudiante de doctorado especializado en navegación con drones. Como investigador en IA, ¡esta pregunta es muy relevante para mí! 🙂 Pensé que podría intentar una respuesta con algunos ejemplos emocionantes.

Los algoritmos de aprendizaje automático están en continuo desarrollo y definitivamente se generalizarán en los próximos años. Son útiles en muchas aplicaciones diferentes; Existe una importante capacidad intelectual y financiación para impulsar los límites hacia la innovación.

Algunos temas a seguir en nuestros radares:

• Aprendizaje profundo, por ejemplo, para predecir las tendencias del mercado de valores, diseñar circuitos, identificar enfermedades, diseñar dispositivos controlados por voz y mucho más (guarde especial atención para las redes neuronales adversas generativas)
• Minería de datos y análisis de big data, por ejemplo, para predecir las tendencias del mercado empresarial
• Procesamiento de lenguaje natural, por ejemplo, en motores de búsqueda.
• Aceleradores de hardware para nuevas arquitecturas de IA, por ejemplo, de AMD e Intel
• Entornos de simulación para evaluación y pruebas, por ejemplo, para automóviles autónomos y realidad virtual.

¡Que te diviertas! 🙂

Algunos temas para pensar:

1. Aprendizaje profundo y el camino hacia redes neuronales no supervisadas
2. Recopilación de datos, en el que desarrollamos mejores formas de refinar y modelar los datos (por ejemplo, Tesla, su tasa de recopilación de datos es un millón de millas de datos de conducción cada 10 horas).
3. Aprendizaje automático de atención médica (imágenes médicas, trabajar con datos clínicos, dar sentido a los datos genómicos de grandes poblaciones)
4. HCI (Human Computer Interaction), siga avanzando mejores interfaces y usabilidad entre diferentes dispositivos con el aumento de la computación en la nube y IoT

La minería de datos es un subcampo interdisciplinario de la informática. Es el proceso computacional de descubrir patrones en grandes conjuntos de datos que involucran métodos en la intersección de inteligencia artificial, aprendizaje automático, estadísticas y sistemas de bases de datos. El objetivo general del proceso de minería de datos es extraer información de un conjunto de datos y transformarla en una estructura comprensible para su uso posterior.

IEEE 2016-2017 LISTA DE DOCUMENTOS DE INVESTIGACIÓN DE MINERÍA DE DATOS

Un sistema experto de soporte de decisiones clínicas para predecir enfermedades utilizando técnicas de clasificación, 2017, IEEE, Medical Data Mining

Predicción de enfermedad renal crónica en datos desequilibrados por Perceptron multicapa, 2017, IEEE, Medical Data Mining

Para encontrar más temas.

Recomiendo encarecidamente esta herramienta Arxiv Sanity Preserver, construida por Andrej Karpathy, para buscar documentos que se están publicando y que están a la vanguardia. Como investigador en la industria que quiere mantenerse actualizado con las últimas tendencias, esta es una herramienta invaluable. Estos documentos son verdaderamente innovadores y pueden hacer eco del enfoque de investigación de solo unas pocas empresas y partes interesadas. Debe usar Google Scholar o algunos de los recursos señalados en las otras respuestas.

Divulgación completa: soy un tipo de aprendizaje profundo en una empresa de robótica, por lo que esta próxima parte está sesgada por esta burbuja de investigación altamente específica.

Para responder a su pregunta mirando algunas de las publicaciones de ICLR y las publicaciones que salieron de los NIPS más recientes, se están realizando muchas investigaciones sobre el aprendizaje de GAN y el refuerzo profundo.

El enfoque con GAN parece ser tratar de generar principalmente imágenes o videos en algunos casos, con diferentes calificaciones que son útiles.

En el espacio de Aprendizaje de refuerzo profundo, el enfoque parece estar en tratar de desarrollar algoritmos de aprendizaje para desarrollar varias estrategias efectivas que sean más rápidas y más precisas en las políticas de aprendizaje para las acciones.

Hola,

Las tecnologías de aprendizaje automático son bastante potentes y la integración del aprendizaje automático en nuestra vida cotidiana solo se profundizará en los próximos años. Pensando en ello, me vienen a la mente algunas aplicaciones. Estos pocos pueden mejorar la calidad de los servicios móviles en el momento más cercano.

-Personalización más profunda.

-Redes neuronales que se ejecutan en los dispositivos móviles. Google y la compañía tecnológica Movidius han anunciado dispositivos de última generación con capacidades de aprendizaje automático y aprendizaje profundo con la ayuda de unidades de procesamiento de visión (VPU).

– Automatización de la experiencia móvil.

-Traducción en tiempo real

-Salud y Belleza.

Recurso útil: ¿Qué ha cambiado en el aprendizaje automático en los últimos años?

A2A.

Se puede inferir una buena lista de temas de actualidad mirando los artículos más citados en las principales conferencias de ML [NIPS, ICML, etc.]:

• Redes neuronales
• Incorporaciones de palabras / representaciones distribuidas
• Descenso de gradiente estocástico / optimización convexa
• Optimización de hiperparámetros
• Crowdsourcing

Psicología 🙂

Al final, todos los otros “temas candentes” están aquí para aplicarse a la extracción de una gran cantidad de información sobre, y hacerlo a gran velocidad, con el fin de engañarlo para que consuma más en línea (o fuera de línea), para saber más sobre sus preferencias y comportamientos y para entregar esa información a sus empleadores potenciales, para engañarlo para que vote en una determinada dirección, para engañarlo para que vaya a un determinado destino de vacaciones, para dirigirlo a una determinada escuela, para que vea Canales de TV y ciertos programas y películas, etc.

Y, al final, toda esa información estará disponible para los “robots de IA” que reducirán a la humanidad a la dimensión de un grupo de ganado 🙂 (según los partidarios de la Carta Abierta sobre Inteligencia Artificial – Wikipedia)

Todo eso se mete con “nuestra” psicología. Apuesto a que esta tendencia de psicología está aquí para quedarse por muchos años 🙂

Los temas candentes en la investigación de aprendizaje automático en 2017 son:

• Análisis predictivo
• Aprendizaje supervisado
• Aprendizaje sin supervisión
• Herramientas de aprendizaje automático
• Aplicaciones de aprendizaje automático
• Aprendizaje profundo
• Red neuronal profunda
• Procesamiento natural del lenguaje

Estos fueron algunos de los temas candentes en el aprendizaje automático.

Aprendizaje profundo, por supuesto. También análisis de datos topológicos, reducción de dimensionalidad y métodos bayesianos (ganando mucho terreno pero no tan popular como el aprendizaje profundo).

Métodos para explicar modelos opacos como Ribeiros LIME. Hay muchas aplicaciones en las que la incapacidad para entender por qué un algoritmo llega a una conclusión es una barrera para su uso.