El Algoritmo Maestro (The Master Algorithm). Por Pedro Domingos

El bayesianismo.

Puedes evitar que los algoritmos efectivos se sobreajusten manteniendo abiertos los modelos y restringiendo suposiciones.

El bayesianismo es otra rama popular del aprendizaje automático, y sus seguidores son prácticamente religiosos en su devoción.

Al contrario de los racionalistas, los bayesianos son empiristas que creen que el razonamiento lógico es defectuoso y que la verdadera inteligencia proviene de la observación y la experimentación.

Su algoritmo de elección se llama inferencia bayesiana, que funciona manteniendo abiertas varias hipótesis o modelos diferentes simultáneamente. El grado en que creemos en cualquiera de estas hipótesis o modelos variará dependiendo de la evidencia encontrada en los datos, ya que algunos recibirán invariablemente más apoyo que otros.

Este enfoque también puede ayudar a proporcionar un diagnóstico médico. Mientras permanece abierto a muchas enfermedades hipotéticas y sus síntomas, el algoritmo puede filtrar los datos del registro de un paciente para hacer la mejor combinación. Cuantos más datos proporcione el registro, más enfermedades puede descartar el algoritmo, hasta que una hipótesis se convierta en el ganador estadístico.

La inferencia bayesiana es un algoritmo poderoso, y evita el sobreajuste al restringir las suposiciones sobre causas y eventos.

Por ejemplo, si es evidente que tienes gripe pero queremos saber si también tienes fiebre o tos, podemos clasificar la gripe como causa y la fiebre o tos como eventos. La suposición restrictiva aquí es suponer que los dos eventos no se influyen entre sí, lo que significa que la tos no afecta tus posibilidades de tener fiebre.

Al ignorar las posibles conexiones entre eventos, la inferencia bayesiana evita el sobreajuste y se vuelve demasiado poderoso al centrarse estrictamente en la conexión entre causa y efecto.

Suposiciones similares son utilizadas por el software de reconocimiento de voz como Siri. Cuando dices: “Call the police!” (¡Llama a la policía!). La inferencia bayesiana mantiene abiertas las opciones y considera la probabilidad de que hayas dicho: “Call the please!” (¡Llama al por favor!).

Pero al revisar su base de datos de frases populares, es suficiente observar la frecuencia de ciertas palabras que se suceden. Y, en este caso, está claro que “police” sigue la palabra “the” con mucha más frecuencia que “please”.

Más resúmenes y artículos como éste para tí

La gran historia de todo (Origin Story) por David Christian

El bayesianismo. Contenidos Página 1: IntroducciónPágina 2: Aprendizaje automático.Página 3: Los algoritmos de aprendizaje.Página 4: El razonamiento deductivo y los …

Resumen del libro El Suéter Azul (The Blue Sweater). Por Jacqueline Novogratz

El resumen del libro El Suéter Azul, es una mirada autobiográfica a los viajes de la autora por África y cómo la ayudaron a comprender los fracasos de la caridad tradicional

Resumen del libro Cruzando El Abismo (Crossing the Chasm). Por Geoffrey A. Moore

El resumen del libro Cruzando el abismo, examina la dinámica del mercado a la que se enfrentan los nuevos productos innovadores

Resumen del libro Sed (Thirst). Por Scott Harrison

El resumen del libro Sed, es la crónica inspiradora de la vida de Scott Harrison desde su inusual infancia hasta sus noches como promotor de fiestas en la ciudad de Nueva York y, finalmente, como el CEO de caridad

Resumen del libro En Deuda (Debt). Por David Graeber

El resumen del libro En deuda, presenta un examen antropológico del dinero que desafía los supuestos comunes, afirmando que el dinero y el concepto de deuda son en realidad productos de circunstancias históricas específicas

Resumen del libro Dar y Recibir (Give and Take). Por Adam Grant

El resumen del libro Dar y recibir, ofrece un soplo de aire fresco a las teorías tradicionales sobre lo que se necesita para tener éxito