¿Qué sistemas de aprendizaje automático has ayudado a construir? ¿Cuáles fueron los mayores desafíos que usted y su equipo enfrentaron?

He construido varios que no eran de aprendizaje automático, pero estaban cerca. Por ejemplo, diseñé uno hace varios años para operar en el mercado forex. Se basó en la acción del precio durante el día y se centró en un par … el eur / usd.

El año pasado escribí una aplicación de ajuste de rendimiento para SQL Server llamada sqlblackbox. Automatizó el ajuste de una sola instancia de SQL Server. Iba a comenzar una empresa y vender, pero eso implicaba demasiado trabajo no técnico. La creación de una empresa de software es un verdadero fastidio, así que creé un curso de Udemy sobre cómo lo escribí y básicamente lo regalé con el curso. Los sistemas anteriores no eran de aprendizaje automático porque creé los algoritmos para buscar cosas específicas.

No olvide que la definición de aprendizaje automático está permitiendo que el modelo tome la determinación de la salida.

También hice minería de datos, pero de nuevo … no aprendí la máquina.

Recientemente completé dos proyectos de principio a fin que fueron el aprendizaje automático . De extremo a extremo significa que hice cada parte del proceso de modelado de la máquina. Obtuve los datos, limpié los datos, construí y califiqué los modelos y luego los implementé.

El primero fue un modelo de clasificación binaria simple utilizado para predecir la retención de clientes. Fue bastante fácil porque los datos estaban muy limpios y estructurados. Con eso quiero decir que estaba en una base de datos y estaba lleno de agujeros. Al principio usé Keras y luego volví a SVM en SciKit-Learn porque obtuvo mejores resultados.

El segundo fue un modelo utilizado para predecir fallas de hardware en un centro de datos. La compañía tenía una tonelada de datos y quería predecir cuándo podrían fallar los componentes dentro del centro de datos. Esto solo fue posible porque todo el centro de datos estaba usando los mismos blades. Pude construir un modelo que hizo un trabajo razonablemente bueno y predijo fallas de NIC y algunos otros componentes que generaron una gran cantidad de datos.

Si está interesado, usé Python y las bibliotecas en este curso GRATUITO.

Las 5 mejores bibliotecas de aprendizaje automático en Python – Udemy

A2A.

Mi primera experiencia con el aprendizaje automático fue hace décadas. Mi interés ha estado en la periferia todo este tiempo, excepto por aplicaciones de algunos aspectos intrigantes.

Entonces, hablando desde detrás de un muro patentado, mi enfoque era mejorar el modelado y las decisiones, donde los espacios eran susceptibles a una topología altamente sofisticada. Había dos aspectos que se destacan en mi mente.

Pero, ¿generalizando de esto? Hablé brevemente con Marvin Minsky una vez. Estoy de acuerdo con él, un poco. Sin embargo, veo que el trabajo proviene de impulsos humanos básicos. La verdad saldrá, si puede. Pero, los escudos patentados realmente complican el problema.

¿La solución? Ciencia, amigos. Eso no es impulsado por grandes amigos que solo se preocupan por el control de nosotros y la extracción de dinero de nuestros bolsillos. Ustedes chicos / chicas saben quienes son?

¿Dónde están los autodidactos de la IA?

Bueno. Punto uno Usando una técnica que recibió mucha presión y algo de interés del cerebro cerca del valle tonto, se obtuvieron algunas soluciones. Estos funcionaron pero solo se pudieron analizar a través de la máquina. Entonces, ¿ese es nuestro lote? Bueno, la gente, las sondas y demás deberían superar con creces el aprendizaje automático.

¿Qué? Sí, bancos de trabajo relacionados con la ingeniería de la verdad. Para ser discutido. Ese es el mayor problema. Sin ciencia, tenemos magos. Pero a los ricos no les importa (eso es algo para atraer la conciencia pública).

Ya sabes. A pesar de que este método era efectivo, tenía serios límites. Los humanos podríamos aplicar toneladas de conocimiento que creció del cálculo en adelante. ¿La máquina tonta? No puede derivar cálculo para nosotros (al menos, no entonces ni ahora). Además, las matemáticas deben ser el marco, no la pequeña supervisión general. Lo tenemos al revés, amigos.

Ahora, con respecto al otro enfoque (completamente diferente), las soluciones derivadas de esta técnica fueron excepcionalmente exactas con propiedades que permitieron una multitud de puntos de vista de la aplicación para usarlas. Se enfrentó a la naturaleza (el árbitro final), amigos, no a la simulación y sus alucinaciones. Y, la técnica estaba integrada en los programas (no en el código, sino en las opiniones organizativas derivadas de la humanidad que son verdaderamente interdisciplinarias).

Ya sabes. Tengo, pendientes, otros usos. Estoy esperando. Quizás, si mirara bien, podría sugerir dónde usar la técnica. Pero, no es basura comercial. Tiene que estar relacionado con la ciencia. De hecho, en un caso, alguien (laboratorio universitario importante) que estaba luchando con un problema dijo que si podía resolverlo, merecía un doctorado. Bueno, lo resolví. Más bien, yo (y otros) usamos la computadora para derivar una solución repetible. Espléndidamente. ¿Pero adivina que? No doctorado. Más bien, nuestra técnica funcionó, pero también demostró la existencia de una solución. Y así, dado que nunca hay una única solución, otros estaban motivados para encontrar su propio enfoque. Eso es ciencia e ingeniería colaborativas.

Aprendizaje automático fanáticos? Ver la realidad de ello.