Búsqueda · 26 momentos en 14 episodios
José EdelsteinFrancis VillatoroHéctor SocasGastón Giribetmachine learning distingue estrellas defectostransitorios beatriz clasificados como defectosred neuronal placas fotográficas antiguasalgoritmo machine learning clasifica estrellaslógica circular entrenamiento defecto placaovnis reconocidos como defectos placaMachine LearningBeatriz Villarroel
Machine Learning
Con
0:000:301:001:302:002:303:003:17
Héctor Socas comenta sobre un artículo científico donde se utiliza Machine Learning para distinguir estrellas de defectos en placas fotográficas antiguas, y cómo este sistema clasifica los transitorios observados por Beatriz Villarroel como defectos.
…y cuánto de preciso es el seguimiento. Cuanto más grande, más pesado, más difícil es de que sea muy preciso el seguimiento. Entonces, bueno, a las estrellas les queda un poquito de ese alargamiento, ¿no? Mientras que estos puntos son totalmente redondos. Y, bueno, eso también es interesante. Y luego hay una parte en la que entrenan una red neuronal; utilizan Machine Learning para distinguir estrellas de defectos de placa y concluyen que todos los transitorios de Beatriz son clasificados por este clasificador como defectos de placa. Me gusta mucho porque realmente la forma en la que Lo han entrenado es un poco; tiene algo de lógica circular, es decir, ellos entrenan todo lo que no es como las estrellas: son defectos de placa, con lo cual evidentemente todo lo que no sean, no sé si me explico, que si hubiera ovnis de verdad te los reconocería el algoritmo como defectos de placa. O sea, el algoritmo está como diciendo: los PCFs asociados a estrellas y los PCFs asociados a ese tipo de manchitas, tipo artefacto, tienen ligeras diferencias que el algoritmo es capaz de identificar y diferenciar, y por eso los marca a todos como defectos.…
Significado #1 · Palabras #4
Héctor Socas comenta sobre un artículo científico donde se utiliza Machine Learning para distinguir estrellas de defectos en placas fotográficas antiguas, y cómo este sistema clasifica los transitorios observados por Beatriz Villarroel como defectos.
Habla: Héctor SocasSignificado #1 · Palabras #4machine learning distingue estrellas defectostransitorios beatriz clasificados como defectosred neuronal placas fotográficas antiguasalgoritmo machine learning clasifica estrellaslógica circular entrenamiento defecto placaovnis reconocidos como defectos placa…y cuánto de preciso es el seguimiento. Cuanto más grande, más pesado, más difícil es de que sea muy preciso el seguimiento. Entonces, bueno, a las estrellas les queda un poquito de ese alargamiento, ¿no? Mientras que estos puntos son totalmente redondos. Y, bueno, eso también es interesante. Y luego hay una parte en la que entrenan una red neuronal; utilizan Machine Learning para distinguir estrellas de defectos de placa y concluyen que todos los transitorios de Beatriz son clasificados por este clasificador como defectos de placa. Me gusta mucho porque realmente la forma en la que Lo han entrenado es un poco; tiene algo de lógica circular, es decir, ellos entrenan todo lo que no es como las estrellas: son defectos de placa, con lo cual evidentemente todo lo que no sean, no sé si me explico, que si hubiera ovnis de verdad te los reconocería el algoritmo como defectos de placa. O sea, el algoritmo está como diciendo: los PCFs asociados a estrellas y los PCFs asociados a ese tipo de manchitas, tipo artefacto, tienen ligeras diferencias que el algoritmo es capaz de identificar y diferenciar, y por eso los marca a todos como defectos.…