Búsqueda · 32 momentos en 22 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetredes neuronales recurrentes sara robiscográfica como serie temporalseries temporales redes neuronalesredes neuronales recurrentes series temporalesanálisis textos conversando redes neuronalesentrenamiento desenrollar enrollar redes neuronalesserie temporal condición de parada redes neuronalesMachine LearningSara RobiscoDingoInstituto Max Planck
Gráfica como serie temporal
Con
0:000:301:001:302:002:303:12
Sara Robisco pregunta sobre qué tipos de redes neuronales son adecuadas para analizar gráficas como series temporales, introduciendo el concepto de redes neuronales recurrentes.
…siendo eficiente y preciso. Entonces ellos proponen una red neuronal que han llamado Dingo BNS por fusión de estrellas de neutrones; porque ellos ya tienen otro Dingo. Hace unos años ellos propusieron un Dingo para fusión de agujeros negros. Vale, entonces Dices, vale, Machine Learning: una red neuronal. ¿Qué tipo de red neuronal así que conozcamos, que hablamos, ha hablado de ellas? ¿Os suena que una gráfica es una serie temporal que trabaja muy bien con series temporales? Venga, vamos ahí un poquito a jugar. Venga, todos nos suenan, habéis escuchado hablarme, series temporales, tal, redes neuronales recurrentes, ¿verdad? Sería lo más lógico para este tipo de datos. ¿Por qué? Porque cogen muy bien la señal en el tiempo, son muy precisas, vale. Pero tenemos unos problemas: son lentas; bueno, lentas no, porque las tenemos analizando textos y conversando, pero son grandes, son complicadas de entrenar porque tenemos que desenrollar, enrollar, es un follón; y aparte de esto, necesitas la serie temporal y hasta que no la tiene, no procesa. Quiero decir, tú le das un trocito y ella se queda ahí esperando como una cosa tonta, vale, dame, dame, hasta que tú no tienes una condición de parada, ella no va a parar porque necesita sacar el contexto. Entonces esto es un problemón. Y dices: bueno, quieren ser rápidos, pues tirarán por un modelo de red neuronal menos profundita, ¿no? Lo que hemos visto con el artículo de Juan Carlos, algo sencillo, algo que tarde un segundo. Pues han conseguido hacer que tarde un segundo en darnos la…
Significado #1 · Palabras #1
Sara Robisco comenta los resultados obtenidos en el entrenamiento de un modelo para predecir el rendimiento de motores, mostrando entusiasmo por la gráfica de errores de mínimos cuadráticos.
Habla: Sara RobiscoPalabras #10entrenamiento modelo rendimiento motoresresultados entrenamiento artículo sara robisco…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 baja el error, qué gozado. Es tremendo, o sea, conseguimos mejores resultados que las simulaciones. un poquito chunguillas, no eran blaso, eran pic más fluido sin masa, pero claro, una vez que está la red entrenada, a toda caña, dicen que tardan 9.000 veces menos que la simulación chunga esta, la blaso ya decíamos que tardaba 4.000, ¿cómo era? 4 días en 800…
Sara Robisco explica cómo investigadores del Instituto Max Planck proponen un método de Machine Learning para analizar la serie temporal de una gráfica, específicamente el momento previo a la fusión de estrellas de neutrones.
Habla: Sara RobiscoPalabras #2machine learning instituto max planckfusión estrellas de neutrones serie temporalseñal característica orbitando neutrones…es un dato bastante grande, bastante complicado de digerir, entonces lo tienes que simplificar. Y esa simplificación para que el sistema bayesiano lo procese, pierdes datos y pierdes precisión, tienes una franja de error bastante grande. Entonces, ¿qué pasa? Que se busca un método, esta gente de Max Planck, de Instituto Alemán, propone un método de Machine Learning que analiza esta serie temporal de la gráfica pero analiza el momento previo a la fusión de las estrellas de neutrones. Entonces ellas en el momento en que empiezan a orbitar generan una señal muy característica que eso quieren identificar con este modelo. ¿Por qué? Porque si el modelo lo detecta tendríamos unos minutos de margen para llamar a estos observatorios y aparte de estos Observatorios, lo que es el telescopio en sí; moverlo no es rápido porque imagínate si moviéramos algo venga de prisa corriendo, puedes montar un destrozo bastante divertido. Entonces hay que dar margen, necesitamos un método rápido, lo que viene siendo…
Sara Robisco pregunta sobre qué tipos de redes neuronales son adecuadas para analizar gráficas como series temporales, introduciendo el concepto de redes neuronales recurrentes.
Habla: Sara RobiscoSignificado #1 · Palabras #1redes neuronales recurrentes sara robiscográfica como serie temporalseries temporales redes neuronalesredes neuronales recurrentes series temporalesanálisis textos conversando redes neuronalesentrenamiento desenrollar enrollar redes neuronalesserie temporal condición de parada redes neuronales…siendo eficiente y preciso. Entonces ellos proponen una red neuronal que han llamado Dingo BNS por fusión de estrellas de neutrones; porque ellos ya tienen otro Dingo. Hace unos años ellos propusieron un Dingo para fusión de agujeros negros. Vale, entonces Dices, vale, Machine Learning: una red neuronal. ¿Qué tipo de red neuronal así que conozcamos, que hablamos, ha hablado de ellas? ¿Os suena que una gráfica es una serie temporal que trabaja muy bien con series temporales? Venga, vamos ahí un poquito a jugar. Venga, todos nos suenan, habéis escuchado hablarme, series temporales, tal, redes neuronales recurrentes, ¿verdad? Sería lo más lógico para este tipo de datos. ¿Por qué? Porque cogen muy bien la señal en el tiempo, son muy precisas, vale. Pero tenemos unos problemas: son lentas; bueno, lentas no, porque las tenemos analizando textos y conversando, pero son grandes, son complicadas de entrenar porque tenemos que desenrollar, enrollar, es un follón; y aparte de esto, necesitas la serie temporal y hasta que no la tiene, no procesa. Quiero decir, tú le das un trocito y ella se queda ahí esperando como una cosa tonta, vale, dame, dame, hasta que tú no tienes una condición de parada, ella no va a parar porque necesita sacar el contexto. Entonces esto es un problemón. Y dices: bueno, quieren ser rápidos, pues tirarán por un modelo de red neuronal menos profundita, ¿no? Lo que hemos visto con el artículo de Juan Carlos, algo sencillo, algo que tarde un segundo. Pues han conseguido hacer que tarde un segundo en darnos la…