Búsqueda · 31 momentos en 14 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 RobiscoDingoHéctor SocasResNetChinaLENETArecibo Wow
Series temporales Redes Neuronales
Ep 503: Propulsión Espacial; Computación Cuántica; Fusiones de Estrellas de Neutrones; Agujeros Negros
13 de marzo de 20254 momentos
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 sugiere la posibilidad de realizar un desafío utilizando imágenes históricas del proyecto Arecibo Wow para entrenar redes neuronales.
Habla: Sara RobiscoPalabras #13redes neuronales proyecto arecibo wowchallenge imágenes históricas arecibolenet ocr red neuronal convolucionalred neuronal años noventa…va a coger esas letras y va a hacer OCR sobre ellas para pasárselas a medios analógicos, que ahora la memoria no vale nada, para a su vez analizarlas de forma moderna, vete a tú a saber con qué métodos, en fin, las vueltas que da la buena ciencia, ¿no? Lo que molaría mucho es que hicieran un challenge, porque si tú pones: a mí me gustaría tener esas imágenes y poder entrenar redes neuronales que inicialmente, como LENET, que inicialmente fue un OCR, fue la primera red neuronal convolucional, y poner a prueba, decir, venga, ¿qué tal se defendería esa red neuronal de los años 90? ¿Cómo se apañaría? y jugar con ellas. Molaría un montón. Sí, sí. Una oportunidad para... Supongo que el OCR es una red neuronal en el fondo, pero no sé exactamente los detalles. Sí, pero que... Bueno, hay muchas técnicas detrás, pero que molaría mucho probar esas antiguas, ¿no? A ver qué tal se defiende. Lo que me ha dado un poquillo bajón es que…
Héctor Socas y Sara Robisco comentan sobre la experiencia de entrenar redes neuronales en el pasado, donde los resultados tardaban varios días.
Habla: Héctor SocasSignificado #5redes neuronales tardaban una semanaentrenar redes neuronales día nocheestadísticas para evaluar redes neuronales…y me sale el resultado, la escala de le doy al botón me voy a comer y en un par de horas está el resultado, y la escala de 10 horas, le doy al botón y el día siguiente veo el resultado o el fin de semana como dice Uy, al día siguiente, yo he tenido redes. neuronales que tardaba una semana en entrenar y poniéndolas, dejándolas, eh, día y noche. Sí, yo también, y las dejabas, ibas viendo; además me iba dando con el resultado parcial, la iba usando, iba viendo si la cosa más o menos iba en la dirección deseada, iba mejor, iba peor. Yo le ponía que fuera escupiendo estadísticas para decirme cómo iba, y claro, había veces que llevabas 4 o 5. Días y veías que no mejoraba ni de coña y decías: ya voy a parar, no sé qué, y de repente alguien te decía: no, no, no, que creo que hay 5 o 6 días. Es una película de acción a espabilar. El ordenador, bueno, la Surface la tengo aquí, se hinchó porque la…
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…
Sara Robisco explica el objetivo del sistema de redes neuronales, que consiste en obtener una serie de valores para determinar la posición, spin y masas de los objetos involucrados, imitando el análisis realizado por una persona.
Habla: Sara RobiscoPalabras #5red neuronal valores posición spin masasanálisis persona datos objetosresnet premisa aprendizaje capaserror aumento redes neuronales capastasa error red neuronal chinared neuronal problema chino…de pre-compresión previa, un filtro. ¿Qué hacen? Esta señal la dividen en tres señales, en varias señales por sus frecuencias, la separan en frecuencia. y luego aplicar un algoritmo de compresión para reducirla lo máximo posible sin perder información. ¿Por qué? Porque el objetivo de nuestra red neuronal es devolvernos un churro de valores en los que vamos a separar nosotros encontrando la posición, el spin, masas, todos los datos que sacaría una persona analizando bien. Esto lo tiene que sacar de la red neuronal. ¿Y por qué una ResNet? Pues una ResNet parte de una premisa y es: ¿Una red neuronal si añadimos más capas va a aprender mejor? Bueno pues en 2016 teníamos un problemón y es que Se sabía que era falso, no porque a más capas la red sobreaprenda sino porque cuando tú le añades más capas tu error aumenta; empieza a aumentar la tasa de error de la red neuronal y dices: ostras, empieza a fallar y esto era un problemón y a unos chinos, porque esta red neuronal es china. Se les ocurrió una maravillosa idea y es, vale, la solución que queremos observar; que nosotros queremos obtener es igual a los restos, digo no, los restos de la observación, o sea, el error de nuestra observación sería igual a la solución que nosotros…