Búsqueda · 31 momentos en 21 episodios
María RibesBorja TosarGastón GiribetFrancis VillatoroHéctor Socasartículo clásico de aprendizajepaisaje de máximos mínimos aprendizajealgoritmo modifica profundidad vallesfrancis villatoro artículo aprendizajealgoritmos de gradiente para mínimosmínimos locales y algoritmos estocásticosvalles más profundos como mínimos globalesfrancis villatoro explica el aprendizajealgoritmos aprendizaje evitar mínimos localesmodelo para evitar mínimos localesFrancis VillatoroChatGPTGPT-3.5MarteValle MarinerisEverestBorja Tosar
Algoritmo modifica profundidad valles
Con
0:000:301:001:302:002:303:003:33
Francis Villatoro explica que no puede explicar fácilmente un artículo clásico sobre aprendizaje, al cual leyó hace mucho tiempo. Describe de forma abstracta los procesos de aprendizaje como un 'paisaje de máximos y mínimos' con montañas y valles.
…tareas rápidamente y es agnóstico, porque le da igual el modelo que le des, va a trabajar con lo que tiene. Entonces va a crear sus sesgos inductivos con los datos que tú le das y lo llaman así, modelo agnóstico de MetaLearning. Y yo no lo había leído nunca. Yo la verdad que no lo puedo explicar fácilmente El día que volviera a leerme el artículo, este es un artículo clásico de aprendizaje Y no me acuerdo de los detalles, yo esto lo leí hace siglos Grosso modo, en los procesos de aprendizaje tú creas podemos de manera abstracta hablar de una especie de paisaje de máximos y mínimos de como montañas y valles y entonces tú usas un algoritmo que va modificando la profundidad de los valles y la posición de los valles y la posición de las montañas va cambiando ese paisaje en el proceso de aprendizaje y cuando tú quieres para una entrada concreta ver qué resultado tienes que ofrecer lo que tú Aplicas es un algoritmo de gradiente que lo que hace es como caer por estos valles e ir buscando los mínimos. Suele ser algoritmos que tienen una componente estocástica que hace que puedas evitar ciertos valles que son los que llaman mínimos locales, para tratar de buscar valles más profundos que son los mínimos más próximos a los globales, ¿no? Tú nunca tienes garantía de que hayas alcanzado un buen mínimo global. Entonces el algoritmo de gradiente que son rápidos, porque claro tú tienes que evitar los mínimos locales. Tú no puedes aplicar un gradiente completamente agnóstico en el sentido de que aplicas el gradiente y esperas a que converja, porque seguro va a converger un mínimo. Tienes que aplicar Una serie de información sobre lo que tú esperas de ese paisaje para poder evitar los mínimos locales. Entonces ahí tienes que aplicar un modelo. Ese es el modelo que se aplica. Entonces se han propuesto diferentes modificaciones de este tipo de algoritmos que evitan estos mínimos locales y que utilizan ciertos modelos. Y el modelo agnóstico, el MAML era una de las propuestas que trataba de ser lo más agnóstica posible respecto al modelo. Es decir, usar la menor información posible respecto a cómo yo espero que sea el paisaje para evitar esos mínimos locales y converger, pero tendría que volver a…
Significado #1 · Palabras #2
Borja Tosar describe la posibilidad de crear domos o aprovechar depresiones como el Valle Marineris para contener una atmósfera en Marte.
Habla: Borja TosarPalabras #3valle marinéis como refugio marcianoprofundidad valle marinéis 11 kmatmósfera contenida en valle marinéis…hay gigantescos por debajo de de Marte y que tenemos análogos muy buenos en la Tierra, como en Islandia o incluso en Canarias hay varios, buenísimos, que son gigantescos tubos que lo puedes rellenar con una atmósfera de una forma controlada y ahí poder vivir. O hacer grandes domos. O incluso dentro del Valle Marinéis, que es una zona muy deprimida de Marte, es un gran valle y el valle, claro, en el sitio más profundo tiene más profundidad que el Everest. Tiene 11 km de profundidad y 500 km de lado a lado. O sea, si te pones en un precipicio no ves el otro. es gigantesco. Claro, cuando tienes una depresión sobre una planicie de 11 kilómetros, quizás puedas depositar una atmósfera en esa depresión. La atmósfera de la Tierra, la parte más interesante, tiene 10 kilómetros. Quizás se pueda hacer una atmósfera que se contenga dentro de eso sin ningún tipo de tal. Esto, obviamente, es muy especulativo, pero trabajar con esto es muy ilusionante. La verdad es…
Francis Villatoro explica que no puede explicar fácilmente un artículo clásico sobre aprendizaje, al cual leyó hace mucho tiempo. Describe de forma abstracta los procesos de aprendizaje como un 'paisaje de máximos y mínimos' con montañas y valles.
Habla: Francis VillatoroSignificado #1 · Palabras #2artículo clásico de aprendizajepaisaje de máximos mínimos aprendizajealgoritmo modifica profundidad vallesfrancis villatoro artículo aprendizajealgoritmos de gradiente para mínimosmínimos locales y algoritmos estocásticosvalles más profundos como mínimos globalesfrancis villatoro explica el aprendizajealgoritmos aprendizaje evitar mínimos localesmodelo para evitar mínimos locales…tareas rápidamente y es agnóstico, porque le da igual el modelo que le des, va a trabajar con lo que tiene. Entonces va a crear sus sesgos inductivos con los datos que tú le das y lo llaman así, modelo agnóstico de MetaLearning. Y yo no lo había leído nunca. Yo la verdad que no lo puedo explicar fácilmente El día que volviera a leerme el artículo, este es un artículo clásico de aprendizaje Y no me acuerdo de los detalles, yo esto lo leí hace siglos Grosso modo, en los procesos de aprendizaje tú creas podemos de manera abstracta hablar de una especie de paisaje de máximos y mínimos de como montañas y valles y entonces tú usas un algoritmo que va modificando la profundidad de los valles y la posición de los valles y la posición de las montañas va cambiando ese paisaje en el proceso de aprendizaje y cuando tú quieres para una entrada concreta ver qué resultado tienes que ofrecer lo que tú Aplicas es un algoritmo de gradiente que lo que hace es como caer por estos valles e ir buscando los mínimos. Suele ser algoritmos que tienen una componente estocástica que hace que puedas evitar ciertos valles que son los que llaman mínimos locales, para tratar de buscar valles más profundos que son los mínimos más próximos a los globales, ¿no? Tú nunca tienes garantía de que hayas alcanzado un buen mínimo global. Entonces el algoritmo de gradiente que son rápidos, porque claro tú tienes que evitar los mínimos locales. Tú no puedes aplicar un gradiente completamente agnóstico en el sentido de que aplicas el gradiente y esperas a que converja, porque seguro va a converger un mínimo. Tienes que aplicar Una serie de información sobre lo que tú esperas de ese paisaje para poder evitar los mínimos locales. Entonces ahí tienes que aplicar un modelo. Ese es el modelo que se aplica. Entonces se han propuesto diferentes modificaciones de este tipo de algoritmos que evitan estos mínimos locales y que utilizan ciertos modelos. Y el modelo agnóstico, el MAML era una de las propuestas que trataba de ser lo más agnóstica posible respecto al modelo. Es decir, usar la menor información posible respecto a cómo yo espero que sea el paisaje para evitar esos mínimos locales y converger, pero tendría que volver a…