Terremoto

Los investigadores encontraron la respuesta en una técnica de muestreo secuencial denominado aprendizaje activo. Estos tipos de algoritmos estadísticos no solo ...

Eso es fundamental para el modelo de aprendizaje automático que los investigadores usaron en el estudio. A través de las matemáticas, los identificamos, lo que junto con hechos reales nos ayudarán a entrenar a este operador ávido de datos”, explica Karniadakis. “El objetivo no es tomar todos los datos posibles y ponerlos en el sistema, sino buscar de manera proactiva eventos raros. Esto le permite analizar conjuntos gigantes de datos y escenarios a una velocidad vertiginosa para escupir conjuntos igualmente masivos de probabilidades una vez que aprende lo que está buscando. Los investigadores encontraron la respuesta en una técnica de muestreo secuencial denominado aprendizaje activo. “Tienes que darte cuenta de que estos son eventos estocásticos”, enfatiza George Karniadakis, profesor de matemáticas aplicadas e ingeniería en Brown y autor del estudio.