F. Chollet: Sobre la medida de la inteligencia

(parte 1)

Nota preliminar

El siguiente texto corresponde al resumen del artículo "On the Measure of Intelligence" publicado por Francois Chollet en arxiv.org/pdf/1911.01547.pdf. Este resumen es una interpretación personal del texto original, no una traduccion fiel. Este resumen comprende la primera parte del artículo, luego estaré haciendo otros post con las partes siguientes.

INTRODUCCIÓN

El concepto de inteligencia artificial (AI) concebida en los años 50 tiene como ideal el desarrollo de una máquina con una inteligencia comparable a la de un ser humano, pero  los desarrollos  actuales (2019) en este campo se han quedado cortos en este ideal.

Los avances actuales en AI son notables, pero éstos se han desarrollado sobre tareas específicas, y son incapaces de hacer sentido en tareas para las cuales no fueron entrenados. Para lograr esto último se requiere de una definición clara y precisa sobre inteligencia general.

Un testimonio de nuestra inmadurez sobre este campo es que no tenemos una definición satisfactoria sobre la inteligencia, y los estudios publicados en este campo (Legg & Hutter 2007; José Hernández-Orallo 2017)  han sido ignorados por la comunidad.

El objetivo de este texto es documentar el supuesto implícito de este campo, corregir algunos de sus sesgos y proveer una definición de inteligencia humana que permita avanzar en este campo.

Golpe por Golpe

Libro: Etica para vivir mejor

Capítulo 7: Golpe por Golpe

Nota preliminar

El siguiente texto corresponde al resumen del capítulo 7. Golpe por Golpe del libro “Etica para vivir mejor” (titulo original: How are we to live) de Peter Singer, edición 1995, traducción Jose Antonio de Prada. Este resumen es una interpretación personal del texto original.

A principios de los años 80 Robert Axelrod, un teórico social norteamericano, hizo un importante descubrimiento sobre la naturaleza de la cooperación. Para entender el hallazgo de Robert Axelrod es necesario conocer el problema llamado “dilema del prisionero”, que puede resumirse así: usted y otro prisionero están en celdas separadas y la policía intenta que ambos confiesen un crimen, y le ofrecen un trato con cuatro situaciones:

1. Si usted confiesa el crimen y su compañero no, quedará libre. 

2. Si su compañero confiesa y usted no, entonces él quedará libre y usted pasará 10 años en la cárcel.

3. Si ambos confiesan, cada uno pasará ocho años en prisión.

4. Si ninguno confiesa, ambos pasarán sólo seis meses en prisión.

A Few Useful Things to Know about Machine Learning (by Pedro Domingos)

NOTA PRELIMINAR

Esta nota es un resumen del texto publicado en 2012 por Pedro Domingos bajo el título “A Few Useful Things to Know about Machine Learning” y subido en este LINK. Este resumen no representa lo expuesto en el texto original, es una interpretación. Para otros trabajos del autor, ver este LINK. En este resumen se usan las palabras “feature” y “variables” como sinónimos, y la sigla ML hace referencia al término “machine learning”.

RESUMEN

Desarrollar aplicaciones de machine learning exitosas requiere una gran cantidad de técnicas diversas que podríamos llamar “magia negra”, y que son difíciles de encontrar en libros de texto. Este artículo resume algunas técnicas recolectadas de investigadores y practicantes, los cuales han aprendido en el camino de su labor. Existen muchos tipos de sistemas de ML, y en este artículo se usará el de mayor madurez al momento: clasificacion.

1. Intro

Cuando se desarrolla una aplicación de ML, mucho del conocimiento necesario no está disponible, por esto la mayoría de los proyectos tardan más de lo necesario o terminan con un resultado inferior al esperado.

Rules of Machine Learning

NOTA PRELIMINAR

Este apunte es un resumen del documento “Rules of Machine Learning” (Mejores practicas en aprendizaje automático) publicado por Martin Zinkevich en este link. Este resumen no representa lo expuesto en el texto original, es una interpretación. Un video del autor exponiendo mismo tema en la conferencia NIPS-2016 puede verse en este link. Para más referencias sobre el autor Martín Zinkevick, puede verse este link. En este resumen se usan las palabras “feature” y “variables” como sinónimos, y las sigla ML hace referencia al término “machine learning”.

OVERVIEW

En muchos proyectos de machine learning, la mayor  ganancia proviene de la definición de variables y no de algoritmos complejos. En general es importante considerar lo siguiente:

1. Asegurar que el sistema en el que se incluye una solución de machine learning es claro y consistente desde el inicio hasta el final
2. Utilizar conceptos de sentido común y evitar complejidad en primera version
3. Agrega complejidad únicamente cuando ya no existan mayor ganancia de conceptos de sentido común.
4. Revisa constantemente que el punto 1 se mantenga.

TensorFlow - Charla por Martin Abadi

La siguiente nota es sobre algunas ideas expuestas en la charla impartida por Martin Abadi sobre TensorFlow en la Universidad de Buenos Aires (UBA) el 11 noviembre 2016 (detalle publicado AQUI). Esta nota no expresa lo expuesto en la charla. Para detalles, ver video de misma charla impartida en japon y publicada AQUI

DEEP LEARNING

La base del deep learning son redes neuronales, que están inspiradas vagamente en el cerebro. Estas redes son construidas por una simple función "entrenambles" que tienen como base teorías matemáticas del siglo XVII, es decir, las derivadas.

Una red neuronal moderna, o deep learning se veria así:

Notas sobre Gradient Descent

PPT con algunas notas sobre el Backpropagation y Gradient Descent, se puede descargar AQUI

Download

El Gen Egoista

El siguiente texto corresponde a fragmentos del libro "El gen egoísta" de Richard Dawkins. Los fragmentos son textuales del libro, los subtitulos no. La versión corresponde a la primera edición inglesa con titulo original "the selfish gene" publicada en 1976, y la traducción corresponde a Juana Robles Suarez publicada por la editora Salvat en 1985. 

CAPITULO 1
POR QUE EXISTE LA GENTE?

Antes de 1859 esta pregunta no se podía responder desde un punto de vista científico, hasta ese momento la creación divina era la explicación más aceptada. En 1859 Charles Darwin publicó "El origen de las especies" donde describe numerosos ejemplo que explican la Teoría de la Evolución, la cual responde a la pregunta de por qué existe la gente.

La teoría de la evolución está tan sujeta a dudas como la teoría de que la tierra gira alrededor del sol, pero a pesar de esto las filosofías y las ciencias de "humanidades" siguen enseñándose como si Darwin nunca hubiese existido. Pero no hay duda en esto: la gente existe debido al proceso de evolución.

Gangsters de Chicago

Si se nos dijese que un hombre ha vivido una larga y prospera vida en el mundo de los gansters de Chicago, estaríamos en nuestro derecho para formular algunas conjeturas sobre el tipo de cualidades de este hombre: dureza, rapidez con el gatillo, habilidad para hacer amigos leales. Estas inferencias se hacen porque se conoce el medio en que este hombre ha sobrevivido y prosperado.