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

    -6 j

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

    20 mai

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

    12 mai

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

    5 mai

    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
  5. Ep. 15: El Nacimiento de la Atención

    30 avr.

    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
  6. Ep 14: Redes Neuronales que Aprenden sobre Moléculas

    21 avr.

    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
  7. Ep. 13: Convoluciones Dilatadas — Ver Sin Perder el Detalle

    14 avr.

    Ep. 13: Convoluciones Dilatadas — Ver Sin Perder el Detalle

    Hoy vamos a resolver un problema que suena técnico pero que en el fondo tiene una elegancia visual muy bonita: ¿cómo hace una red neuronal para entender tanto el detalle fino como el contexto amplio de una imagen, al mismo tiempo y sin perder resolución? Este paper de 2015 introdujo las dilated convolutions (convoluciones dilatadas), una idea aparentemente simple que se convirtió en ingrediente fundamental en visión por computadora y que luego migró incluso a modelos de audio como WaveNet.

    19 min
  8. Ep. 12: The Annotated Transformer — Leer un Paper con el Código al Lado

    8 avr.

    Ep. 12: The Annotated Transformer — Leer un Paper con el Código al Lado

    En el episodio 11 cubrimos "Attention is All You Need" — el paper que introdujo los Transformers y que está detrás de GPT, BERT, Claude y prácticamente todo el AI moderno. Era denso, matemático, lleno de ecuaciones. Mucha gente lo leyó, asintió solemnemente... y no lo entendió del todo. En 2018, Sasha Rush de Harvard NLP publicó The Annotated Transformer: una reimplementación línea por línea del paper, con cada ecuación acompañada de su código PyTorch correspondiente y comentarios que explican el por qué de cada decisión. Y de repente, todo hizo clic. Este recurso no propone ideas nuevas — su contribución es otra: demostrar que reimplementar un paper es la forma más honesta de entenderlo.

    27 min
Tout afficher (19)

À propos

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.

Informations

  • Création
    Cápsulas de Inteligencia Artificial y Machine Learning
  • Années d’activité
    2 k
  • Épisodes
    19
  • Classification
    Tous publics
  • Copyright
    © Cápsulas de Inteligencia Artificial y Machine Learning
  • Site web de l’émission
    Variabilis