Machine Learning El fin de la programación?

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Machine Learning El fin de la programación?"

Carmelo Alvarado Carrasco
hace 5 años
Vistas:

1 Machine Learning El fin de la programación? Pablo Brusco

2 Algunos problemas N es múltiplo de 2017? N es primo? Encontrar el máximo en una lista. Ubicar 8 reinas en un tablero y que no se ataquen. Ubicar antenas de radio para lograr que no haya interferencias. Dados de tweets, cuántos nombran a Messi? Dada la descripción de un objeto de mi living, es una silla?

3 Qué pasó? En qué materia aprendo lo necesario para reconocer sillas? Hay problemas con reglas tan complejas que no podemos atacarlos con programación clásica

4 Sistemas expertos Puercoespín

5 Aprendizaje Automático (Machine Learning) Aprender a partir de ejemplos y experiencia estas reglas tan complejas pero cómo?

6 Parte 1 Nociones básicas de Aprendizaje Automático

7 Queríamos un programa que... "Silla" No "Silla"

8 Queríamos un programa que... DESCRIPCIÓN PESO 5.3 KG COLOR Negro #PATAS 5 DESCRIPCIÓN PESO 12.4 KG COLOR Blanco #PATAS 4 Predicción "Silla" Clasificador Toma datos como entrada, devuelve etiquetas como salida No "Silla" Predicción

9 Queríamos un programa que... DESCRIPCIÓN PESO 5.3 KG COLOR Negro Predicción "Silla" Entonces, hay que programar el clasificador? #PATAS 5 Clasificador DESCRIPCIÓN PESO 12.4 KG COLOR Blanco #PATAS 4 Toma datos como entrada, devuelve etiquetas como salida No "Silla" Predicción

10 Aprendizaje supervisado 1 2 Nombre de la técnica que se utiliza para construir los clasificadores de manera automática. Tres pasos fundamentales. Primer paso Juntar datos Segundo paso Entrenar un clasificador Tercer paso Hacer predicciones 3

11 Aprendizaje supervisado 1 Recolección de datos 2 Atributos (features) Instancias (ejemplos) 3 Etiqueta PESO COLOR #PATAS Es Silla? 3.4 Marrón 3 Sí 10.2 Varios 2 No 4.5 Verde 4 No 5.2??? 4 Sí 3.2 Marrón 3 No

Aprendizaje supervisado 1 2 3 Entrenar un clasificador Un clasificador puede ser pensado como una caja de reglas Vacía al principio PESO

12 Aprendizaje supervisado Entrenar un clasificador Un clasificador puede ser pensado como una caja de reglas Vacía al principio PESO COLOR #PATAS Siila? 3.4 Marrón 3 Sí 10.2 Varios 2 No 4.5 Verde 4 No 5.2??? 4 Sí 3.2 Marrón 3 No Lleno de reglas Ent r ena do

13 Lleno de reglas Ent ren ado

14 Aprendizaje supervisado 1 2 Hacer predicciones DESCRIPCIÓN PESO 6.2 KG COLOR Negro #PATAS 4 Ent ren ado 97% 3

15 Aprendizaje supervisado Deep Blue le Hacer predicciones 1 2 ganó a Kasparov (1996) 3 pero, podría hacer otra cosa? DESCRIPCIÓN PESO COLOR 6.2 KG Negro Ent ren ado 97% Cómo 4 modificamos lo anterior si se modifica el problema? #PATAS

16 Aprendizaje supervisado Puntos a tener en cuenta RECOLECCIÓN DE DATOS CLASIFICACIÓN PREDICCIÓN Hay suficientes datos? Elegí el algoritmo adecuado? Cómo mido mis resultados? Los datos están balanceados? Con qué parámetros tiene sentido tunearlo? Son resultados que generalizan al problema en el mundo exterior? Cómo puedo testearlo? Qué métricas conviene utilizar? Puedo reutilizar un clasificador ya entrenado? Puedo medir significancia estadística? Sobre cuántos entreno mis modelos? Sobre cuántos valido mis modelos? Qué pinta tienen los datos? Es comparable mi resultado con otros resultados similares?.....

17 Parte 2 Qué es lo que realmente hacen los clasificadores?

18 Qué pinta tienen los features? Formas de extraer features PESO 4.2 #PATAS 3 MATERIAL 1 Silla PESO 2 #PATAS 0 MATERIAL 2 Maceta (Peso, #Patas, Material) PESO 9 #PATAS 4 MATERIAL 0 Mesa PESO 10 #PATAS 3 MATERIAL 2 Mesa

19 Qué pinta tienen los features? Formas de extraer features (Peso, Color, #Ruedas) (Peso, #Patas, Material) (Material, #Ojos, #Ruedas)

20 Qué pinta tiene un clasificador? Algoritmo I Algoritmo II

21 Qué pinta tiene un clasificador? Algoritmo I Cómo lo programo? No se programan, Se decide la forma (algoritmo). Se buscan parámetros óptimos. Se programa la infraestructura.

22 Parte 3 La era de Deep Learning (Aprendizaje Profundo)

23 Ahora un poco más difícil... FOTO Silla Perro FOTO

24 Deep learning

25 No viene gratis Necesitamos muchos datos etiquetados. Necesitamos mucho poder de cómputo. Si quiero entender cómo un cerebro procesa El modelo resultante suele ser muy complejo y opaco. imágenes puedo partirlo en 2 y fijarme? Quiénes salen ganando con estas restricciones? Sirve para hacer ciencia? Sirve para problemas muy específicos?

26 No viene gratis Necesitamos muchos datos etiquetados. Necesitamos mucho poder de cómputo. El modelo resultante suele ser muy complejo y opaco. Quiénes salen ganando con estas restricciones? Sirve para problemas muy específicos? O sea, no puedo hacer nada si no soy Google? Puedo aprovechar redes pre-entrenadas?

27 Parte 4 Entonces... Se acabó el trabajo para nosotros?

28 NO! Aún somos muy necesarios

29 Dónde? Somos necesarios para construir infraestructura alrededor de estos sistemas. Se necesitan técnicas de computación "clásica" para problemas muy específicos o complejos. Somos necesarios para estudiar la mejor forma de utilizar ML. Se necesita técnicas de computación para entender los problemas y encontrar la mejor solución, ya sea con o sin aprendizaje automático. Diseñamos y escribimos esos algoritmos para aprender.

30 Parte 5 Qué hacemos en nuestro laboratorio.

31 TEXTO HABLA CEREBRO PSIQUIATRIA COMPUTACIONAL PROSODIA PSICOLOGÍA EXPERIMENTAL TENDENCIAS CULTURALES MIMETIZACIÓN MODELOS COGNITIVOS EXPRESIONES COGNITIVAS CONFIANZA EYE-TRACKING MODELADO DE TÓPICOS PRONUNCIACIÓN ELECTROENCEFALOGRAMA

32 CONCLUSIONES - Machine Learning complementa al estilo de programación clásico para poder atacar "nuevos" problemas. - No es magia negra, es un conjunto de técnicas y conocimiento para lo cual hace falta práctica y problemas interesantes. - Hay mucho trabajo por hacer y cada vez se necesita más gente que sepa de estos temas.

Y.. cómo arranco si quiero resolver estos problemas?

Puedo aprender de Youtube? Puedo aprender de Coursera?

LIBROS Mitchell, "Machine Learning", McGraw-Hill, 1997.

Learning with Applications in R", 6th ed, Springer, 2015.

33 Y.. cómo arranco si quiero resolver estos problemas? Qué lenguajes me recomendás? Qué libros me recomendás? Puedo aprender de Youtube? Puedo aprender de Coursera? LENGUAGES Python (+ sklearn). R (+ caret). LIBROS Mitchell, "Machine Learning", McGraw-Hill, James, Witten, Hastie & Tibshirani, "An Introduction to Statistical Learning with Applications in R", 6th ed, Springer, Bishop, "Pattern Recognition and Machine Learning", Springer, COURSERA Andrew Ng: Machine Learning. Dan Jurafsky & Chris Manning: Natural Language Processing.

35 GRACIAS! Pablo Brusco

Documentos relacionados

Conjuntos de Clasificadores (Ensemble Learning)

Aprendizaje Automático Segundo Cuatrimestre de 2016 Conjuntos de Clasificadores (Ensemble Learning) Gracias a Ramiro Gálvez por la ayuda y los materiales para esta clase. Bibliografía: S. Fortmann-Roe,