Búsqueda · 29 momentos en 21 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetaprendizaje profundo identifica patrones gilred mejora simulaciones juan carlos gilestructuras ocultas datos aprendizaje profundoredes neuronales strike forwardentrenamiento paralelo datos 18000 puntosvalores numéricos sin gran memoriapotencia para entrenamiento número m grandeSaraJuan Carlos GilSara Robisco
Aprendizaje profundo identifica patrones gil
Con
0:000:301:001:302:002:303:12
Juan Carlos Gil reflexiona sobre la capacidad del aprendizaje profundo para identificar patrones y estructuras ocultas en los datos.
…comparables a los errores, a las diferencias que tienen las simulaciones que paradójicamente son las que se han utilizado para entrenar. No sé si me he explicado. Tenemos motores reales para validar, simulaciones de esos motores reales para entrenar la red. Bueno, pues los resultados de la red son mejores, un poquito mejores que las propias simulaciones. O sea, eso es la magia, Sara, desde mi punto de vista, del aprendizaje profundo, ¿no? Que no interpola ciegamente los datos, no, no, sino que es capaz de ver patrones, capturar estructuras ocultas que están por ahí. Y en este caso, de alguna forma, pues suaviza Exacto, busca patrones, pero cuidado que estas redes neuronales no son profundas, son strike forward de toda la vida Para entrenar un número M grande no puedes poner cosas muy profundas porque te eternizaría, porque las tienes que entrenar todas en paralelo, necesitas muchísima potencia Sí, porque el número de puntos es 18.000 Y claro, como son valores numéricos, tampoco necesitas una barbaridad de tamaño No son imágenes Claro, entonces funcionan súper bien. Estoy viendo además los datos del artículo y la gráfica de entrenamiento; los resultados del entrenamiento con la gráfica de los errores de mínimos cuadráticos es una pasada. O sea, es que ves como la gráfica es del libro, como…
Significado #1 · Palabras #1
Juan Carlos Gil reflexiona sobre la capacidad del aprendizaje profundo para identificar patrones y estructuras ocultas en los datos.
Habla: Juan Carlos GilSignificado #1 · Palabras #1aprendizaje profundo identifica patrones gilred mejora simulaciones juan carlos gilestructuras ocultas datos aprendizaje profundoredes neuronales strike forwardentrenamiento paralelo datos 18000 puntosvalores numéricos sin gran memoriapotencia para entrenamiento número m grande…comparables a los errores, a las diferencias que tienen las simulaciones que paradójicamente son las que se han utilizado para entrenar. No sé si me he explicado. Tenemos motores reales para validar, simulaciones de esos motores reales para entrenar la red. Bueno, pues los resultados de la red son mejores, un poquito mejores que las propias simulaciones. O sea, eso es la magia, Sara, desde mi punto de vista, del aprendizaje profundo, ¿no? Que no interpola ciegamente los datos, no, no, sino que es capaz de ver patrones, capturar estructuras ocultas que están por ahí. Y en este caso, de alguna forma, pues suaviza Exacto, busca patrones, pero cuidado que estas redes neuronales no son profundas, son strike forward de toda la vida Para entrenar un número M grande no puedes poner cosas muy profundas porque te eternizaría, porque las tienes que entrenar todas en paralelo, necesitas muchísima potencia Sí, porque el número de puntos es 18.000 Y claro, como son valores numéricos, tampoco necesitas una barbaridad de tamaño No son imágenes Claro, entonces funcionan súper bien. Estoy viendo además los datos del artículo y la gráfica de entrenamiento; los resultados del entrenamiento con la gráfica de los errores de mínimos cuadráticos es una pasada. O sea, es que ves como la gráfica es del libro, como…