Búsqueda · 29 momentos en 16 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetaprendizaje profundo identifica patrones gilred mejora simulaciones juan carlos gilestructuras ocultas datos aprendizaje profundoSaraJuan Carlos GilSara RobiscoLIGOVirgoKAGRA
Estructuras ocultas datos aprendizaje profundo
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…
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 profundo…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…
Sara Robisco describe un problema relacionado con la falta de datos reales para entrenar redes neuronales y cómo los investigadores han solucionado este inconveniente.
Habla: Sara RobiscoSignificado #12datos sintéticos para redes neuronalesconjunto de validación con datos realesentrenamiento con datos ficticios sara robisco…y con todas estas ventajas han conseguido eso: que con un trocito de la gráfica ella te dé los parámetros con una precisión de más de un 90%. Se ha entrenado, eso sí, tenemos muy poquitos datos de LIGO, Virgo y KAGRA de fusión de estrellas de neutrones y. Esto es un problemón. ¿Qué se ha hecho? Ellos han generado de forma sintética datos, han empezado a generar datos, han hecho un conjunto de datos sintéticos grande, lo han entrenado con estos datos ficticios y luego el conjunto de validación con el que lo han testeado es con datos reales, con esas poquitas percepciones que tenemos, y funciona muy bien. Y no solo eso, es tan rápida y tan eficiente. Que la podríamos tener en tiempo real en un ordenador según se va recibiendo la señal de LIGO, Virgo y KAGRA, ¡pum, pum, pum, pum!, ella procesando y en cuanto detecte algo que lance la señal. Esto supondría una herramienta muy útil para detectar este tipo de…