Variabilis

Cápsulas de Inteligencia Artificial y Machine Learning

Artículos y papers de ML e IA convertidos y narrados en podcasts por IA. De la academia a tus oídos, en una forma casual de aprender.

  1. Deep Speech 2 - Cuando la IA Supera al Humano en Transcribir Audio

    hace 4 días

    Deep Speech 2 - Cuando la IA Supera al Humano en Transcribir Audio

    El paper de este episodio marcó un hito histórico: el primer sistema de reconocimiento de voz que superó a humanos en pruebas de transcripción. Y el primer autor es Dario Amodei, quien después fundaría Anthropic. Deep Speech 2 es también un masterclass en cómo escalar sistemas de ML: datos masivos, infraestructura HPC, y una arquitectura simplificada que funciona mejor que sistemas llenos de componentes especializados.

    23 min
  2. Ep. 20: Neural Turing Machines - Una Red que Aprende a Programar

    2 jun

    Ep. 20: Neural Turing Machines - Una Red que Aprende a Programar

    Hoy toca uno de los papers más conceptualmente ambiciosos de toda la lista: las Neural Turing Machines (NTMs) de Alex Graves y DeepMind. La pregunta que este paper intenta responder es audaz: ¿puede una red neuronal aprender algoritmos; no solo reconocer patrones, sino aprender procedimientos que generalicen a entradas que nunca vio? La respuesta es sí, y la clave es darle a la red algo que los computadores siempre han tenido pero las redes neuronales nunca: memoria externa diferenciable.

    17 min
  3. Ep. 19: El Autómata del Café - Midiendo la Complejidad que Nace y Muere

    26 may

    Ep. 19: El Autómata del Café - Midiendo la Complejidad que Nace y Muere

    Este episodio es el segundo paper de carácter más filosófico en la lista de Sutskever, el primero fue "The First Law of Complexodynamics" en el episodio 1. De hecho, este paper es una versión matemática y empírica de esa misma pregunta. La pregunta: ¿por qué la complejidad del universo, y de los sistemas físicos en general, sube primero y luego baja? ¿Por qué hay una época de galaxias, vida y estructuras interesantes, en lugar de ser siempre simple o siempre caótico? Y la respuesta propuesta se llama apparent complexity (complejidad aparente), medida usando Kolmogorov complexity y un experimento simple pero profundo: una taza de café con leche.

    16 min
  4. Ep 18: Relational Memory Core - Cuando la Memoria Necesita Razonar

    20 may

    Ep 18: Relational Memory Core - Cuando la Memoria Necesita Razonar

    Este episodio planteamos la siguiente pregunta: ¿qué pasa si no solo necesitamos razonar sobre relaciones en un instante, sino que necesitamos recordar relaciones a lo largo del tiempo? Las LSTMs son excelentes para recordar. Los Relation Networks son excelentes para razonar. ¿Qué pasa si combines ambos? Ese es el Relational Memory Core (RMC).

    25 min
  5. Ep. 17: Variational Lossy Autoencoder - Aprender a Olvidar lo que No Importa

    12 may

    Ep. 17: Variational Lossy Autoencoder - Aprender a Olvidar lo que No Importa

    Hoy entramos al mundo de los modelos generativos: sistemas que no solo clasifican datos, sino que aprenden a generar datos nuevos como imágenes, texto, audio. "Variational Lossy Autoencoder"Por Chen, Kingma, Salimans, Duan, Dhariwal, Schulman, Sutskever y Abbeel (2016) Este paper es denso conceptualmente, pero contiene una idea elegante y muy práctica: ¿cómo fuerzas a una red neuronal a aprender una representación que capture solo la estructura global de los datos, descartando los detalles irrelevantes como textura o ruido? La respuesta involucra combinar dos tipos de modelos poderosos; el VAE y los modelos autorregresivos, de una manera que controla qué tipo de información aprende a comprimir cada uno.

    24 min
  6. Ep. 16: ResNet v2 — ¿Por Qué Importa Dónde Pones el ReLU?

    5 may

    Ep. 16: ResNet v2 — ¿Por Qué Importa Dónde Pones el ReLU?

    Este episodio es el "sequel" del episodio 10 sobre ResNet. Si en el episodio 10 aprendimos que los skip connections permiten entrenar redes muy profundas, hoy vamos a profundizar en una pregunta aparentemente pequeña que resulta tener implicaciones grandes: ¿dónde exactamente ponemos el Batch Normalization y el ReLU dentro del bloque residual? La respuesta a esa pregunta permitió entrenar redes de más de 1000 capas y explica por qué ResNet funciona tan bien desde un punto de vista matemático.

    19 min
  7. Ep. 15: El Nacimiento de la Atención

    30 abr

    Ep. 15: El Nacimiento de la Atención

    Hoy tocamos uno de los papers más importantes de toda la lista. No el más famoso (ese es "Attention is All You Need"), pero sí el que lo hizo posible. En 2014, Dzmitry Bahdanau, Kyunghyun Cho y Yoshua Bengio publicaron un trabajo que parecía una mejora técnica en traducción automática, pero que en realidad contenía una idea que cambiaría todo: el mecanismo de atención. Si "Attention is All You Need" fue la explosión nuclear, este paper fue quien sintetizó el uranio.

    17 min
  8. Ep 14: Redes Neuronales que Aprenden sobre Moléculas

    21 abr

    Ep 14: Redes Neuronales que Aprenden sobre Moléculas

    Hoy entramos a un episodio que puede sonar intimidante: química cuántica. Pero no te preocupes; el verdadero tema es mucho más general y fascinante: ¿cómo hacemos que una red neuronal aprenda sobre grafos? Este paper de 2017 introdujo el framework MPNN (Message Passing Neural Network), que unificó varias arquitecturas de Graph Neural Networks bajo un solo lenguaje. Y aunque el caso de uso es predecir propiedades de moléculas, la idea es tan general que hoy se usa en redes sociales, sistemas de recomendación, física simulada, y más.

    25 min
Ver todo (21)

Acerca de

Artículos y papers de ML e IA convertidos y narrados en podcasts por IA. De la academia a tus oídos, en una forma casual de aprender.

Información

  • Creador
    Cápsulas de Inteligencia Artificial y Machine Learning
  • Años de actividad
    2 k
  • Episodios
    21
  • Clasificación
    Apto
  • Copyright
    © Cápsulas de Inteligencia Artificial y Machine Learning
  • Mostrar sitio web
    Variabilis