Búsqueda · 32 momentos en 20 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 placaalgoritmo diferencia imágenes estrellas artefactosdefectos identificados por algoritmo beatrizpcfs asociados a estrellasMachine LearningBeatriz VillarroelPCFsFrancis Villatoro
Algoritmo Machine Learning clasifica Estrellas
Con
0:000:301:001:302:002:303:003:17
Héctor Socas explica cómo un algoritmo de Machine Learning clasifica cualquier cosa que no se parezca a una estrella como un defecto en la placa fotográfica, lo que implica una lógica circular en su entrenamiento.
…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. Exactamente, es justo eso. Entonces bueno, y luego lo que ha salido hace unos meses es una respuesta del grupo de Beatriz a esta crítica diciendo: Ellos también se dan cuenta que el clasificador de la red neuronal no tiene mucho sentido y el hecho de que sean más redondos que estrellas a ellos les gusta porque lo hacen más consistente con su idea de que son satélites y lo que ves es un reflejo puntual…
Significado #1 · Palabras #1
Héctor Socas explica cómo un algoritmo de Machine Learning clasifica cualquier cosa que no se parezca a una estrella como un defecto en la placa fotográfica, lo que implica una lógica circular en su entrenamiento.
Habla: Héctor SocasSignificado #1 · Palabras #1machine learning distingue estrellas defectostransitorios beatriz clasificados como defectosred neuronal placas fotográficas antiguasalgoritmo machine learning clasifica estrellaslógica circular entrenamiento defecto placaovnis reconocidos como defectos placaalgoritmo diferencia imágenes estrellas artefactosdefectos identificados por algoritmo beatrizpcfs asociados a estrellas…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. Exactamente, es justo eso. Entonces bueno, y luego lo que ha salido hace unos meses es una respuesta del grupo de Beatriz a esta crítica diciendo: Ellos también se dan cuenta que el clasificador de la red neuronal no tiene mucho sentido y el hecho de que sean más redondos que estrellas a ellos les gusta porque lo hacen más consistente con su idea de que son satélites y lo que ves es un reflejo puntual…