Búsqueda · 22 momentos en 13 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 localesmodelo maml minimiza informaciónagnosticismo respecto al modelo mamlmínimos locales en aprendizaje mamlFrancis VillatoroMAMLChatGPTGPT-3.5MarteRiotintoGaliciaToro
Algoritmos de gradiente para mínimos
Con
0:000:301:001:302:002:303:003:33
Francis Villatoro explica cómo los algoritmos de gradiente funcionan para encontrar mínimos en un 'paisaje de máximos y mínimos' durante el proceso de aprendizaje.
…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 repasarme la matemática porque eso lo mide yo hace siglos y ya no me acuerdo de los detalles técnicos de cómo exactamente lo evitaban. Yo creo que nos lo has explicado muy bien; creo que nos lo has explicado muy bien. Me he encontrado los autores que os decía: el trabajo es de Yang y Piantadosi, y es de 2022, en el que ellos se basaban. Así que pues yo lo he entendido mejor ahora. Bueno, no…
Significado #1 · Palabras #1
Borja Tosar explica por qué se realizan análogos a Marte en lugares como Riotinto, la mina de Toro en Galicia, para estudiar entornos extremos.
Habla: Borja TosarPalabras #19análogos a marte en riotintomina de toro en galiciaarqueobacterias en entornos extremos…garrafas 150 tipos de vida microbiana diferentes que no estaban catalogadas y que sobrevivían allí 30 años en un entorno tremendamente hostil, sin energía, alimentándose, o sea, la vida lo que pilla entonces es capaz de adaptarse prácticamente a todo; ¿no? Entonces, sabiendo eso, por ejemplo, por eso se hacen los análogos en Marte, especialmente en Riotinto, en la mina de Toro en Galicia, en entornos en los que la acidez es altísima; pues si la gran cantidad de metales y gran cantidad, o sea una cosa terrible para una vida normal, pues muchos microorganismos, especialmente las arqueobacterias, se desarrollan y se sueltan con. Gran facilidad, incluso el tardígrado como un animal pequeñito sobrevivió a condiciones increíbles. Entonces, con esa experiencia de la vida, trasladar la vida a Marte y generar algún tipo de vida quizás seleccionada o quizás incluso diseñada de algún tipo…
Francis Villatoro explica cómo los algoritmos de gradiente funcionan para encontrar mínimos en un 'paisaje de máximos y mínimos' durante el proceso de aprendizaje.
Habla: Francis VillatoroSignificado #1 · Palabras #1artículo 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 localesmodelo maml minimiza informaciónagnosticismo respecto al modelo mamlmínimos locales en aprendizaje maml…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 repasarme la matemática porque eso lo mide yo hace siglos y ya no me acuerdo de los detalles técnicos de cómo exactamente lo evitaban. Yo creo que nos lo has explicado muy bien; creo que nos lo has explicado muy bien. Me he encontrado los autores que os decía: el trabajo es de Yang y Piantadosi, y es de 2022, en el que ellos se basaban. Así que pues yo lo he entendido mejor ahora. Bueno, no…