Ep106: ACOPLAMIENTO: Crossover Radio Skylab; 2001 vs 2010; Monolito en Fobos; Anomalía Pioneer; Atmósferas Planetarias

• Wet
• Vie, 14/07/17 00:56

A ver.. no es por criticar pero a ver si hoy no me quedo dormido, porque la verdad que llevais una rachita de aburrimiento que ni os cuento, hoy parece que promete

• Jpmaster
• Lun, 10/07/17 07:56

Me encanta este episodio, lo he escuchado unas cuantas veces y no me cansa ;D

• Gomez_Joseangel
• Mar, 16/05/17 23:01

2001 es arte, 2010 es sólo un película. los seres humanos son más fríos que las máquinas, el número 4 omnipresente, la música de Ligeti, las simetrías, ... en fin, realmente la historia no importa, yo no me canso de verla :-). genial programa!

• Blasssm
• Lun, 08/05/17 21:27

Genial escuchar a la vez mis dos programas favoritos!!

• Solomillo
• Mié, 03/05/17 00:14

Repetid por favor :-) pero con doble duración, así todos contentos.

• La Frecuencia Oculta
• Mié, 26/04/17 20:22

A mi modo de ver el monolito es una alegoria a la observación,representa la reflexión derivada de la contemplación y de esa premisa de alguna manera estimula el pensamiento cognitivo y guia las habilidades cerebrales homínidas hacia la inteligencia

• Enlavin
• Mié, 26/04/17 00:20

Al hilo de lo que comentabais sobre las decisiones de las IA, hay un proyecto muy interesante del MIT que se llama Moral Machine (http://moralmachine.mit.edu). La idea es plantear situaciones moralmente complejas y ayudar a entrenar adecuadamente a los algoritmos usando como base las decisiones que tomarian personas en esas situaciones. En cuanto a la posibilidad de viaje interestelar, hay una novela que trata el tema sin usar IA (casi) o naves generacionales: Diáspora, de Greg Egan. Es un poco más optimista que Aurora me parece a mi :) Gran programa!

• Juan Nauj
• Mar, 25/04/17 20:43

Hola a los conductores , son geniales . Quiero hacerles una pregunta: obviamente el oro y los metales preciosos están en los planetas rocosos (son los internos ), ¿ cabe alguna posibilidad que haya metales preciosos en las lunas de planetas gigantes y planetas menores ( transneptunianos ) ?, ¿ hay algún estudio, evidencia ?, y la tercera es si su descubrimiento ( de los metales preciosos ) ¿ acabaría con la problemática del financiamiento de misiones espaciales costosas ?. Gracias

• Rafael Santiago Cuevas Berroca
• Mar, 25/04/17 20:24

Nada de tostón Pablo Torres. Muy interesante y muy bien explicado. Aquí somos todos gente curiosa ávidos de conocimiento. Nuestros mensajes nos son del tipo que sustituye a una palabra por una letra o un número. Y tampoco tienen que ser tipo tweets. Eso es para gente de inteligencia limitada y nosotros no somos así. Muchas gracias por tu mensaje.

• Melon
• Mar, 25/04/17 13:11

Buenos días! Justo he terminado el capítulo conjunto con Radio Skylab. (Si, voy con retraso. Si, es imperdonable. xD ) . Decir que me ha encantado y gustaría aportaros un granito de arena. Estoy estudiando un máster de ''Ciencia de datos'' y tengo un par de asignaturas de Redes neuronales y si no es mucha molestia quiero haceros una pequeña explicación apoyando las cosas que contabais. Antes de entender que es una red neuronal hay que decir que es una meta-heurística y antes de ello habría que conocer como funciona una heurística. Cuando tenemos un problema de Optimización o Clasificación tenemos una manera clásica de afrontarlo que es recorrer todas las soluciones posibles y quedarnos con la mejor. Esto es la manera de proceder clásica donde puede evaluar la función objetivo en todo su dominio. Pero cuando el problema crece en complejidad, variables y en definitiva soluciones posibles el espacio de soluciones llega un momento que es lo suficientemente grande como para que un computador no sea capaz de explorar todas las soluciones en un tiempo razonable. Un tiempo razonable es tardar varios días o semanas, cuando el calculo llega a años es momento de pensar otras opciones. Y en estos casos es donde entras las heuristicas, no son otra cosa sino formas de explorar el espacio de soluciones de manera selectiva. Es decir, en lugar de probar todas las combinaciones/soluciones posibles, pruebo solo unas pocas y asumo que una de ellas está cerca del optimo global y nos conformamos con un error dado. Un ejemplo de esto es la Búsqueda local donde dada una solución seleccionamos N vecinos aleatorios y nos quedamos con el mejor vecino, y repetimos el proceso hasta que no encontramos soluciones mejores. La complejidad de estos métodos reside en la definición de operador de vecindad, que en problemas continuos podría ser por ejemplo sumar +-0.02 a una de las variables. Se dice que son métodos Heurísticos porque prueban de forma ''aleatoria'' pero razonada y con sentido soluciones esperando acertar con la solución optima. Cada heuristica se ajusta a un problema concreto con unos parámetros concretos, de ahí la búsqueda razonada y con sentido. Ahora bien, una metaheurística es un sistema donde se utilizan varias heurística o varios parámetros de la misma heurística para encontrar la solución. Otra forma de definirlo es un algoritmo heuristico aplicado a un problema que no tiene una forma especifica de encontrar la solución optima, o cuando no es posible implementarlo. Extraido del libro "Meta-Heuristics" de stefan voss : “una metaheurística es un proceso maestro iterativo que guía y modifica las operaciones de heurísticas subordinadas para producir, de forma eficiente, soluciones de alta calidad. En cada iteración, puede manipular una solución (completa o incompleta) o un conjunto de soluciones. Las heurísticas subordinadas pueden ser procedimientos de alto o bajo nivel, o simplemente una búsqueda local o método constructivo.” Ahora que he realizado una pequeña introducción puedo comentar un par de cosas de las redes neuronales: Son meta-heurística, ya que combinan o pueden combinar varias heurística. Son cajas negras matemáticamente, tal como comentabais en el programa. No sabemos porqué aprende. Dicho mas largo: nosotros controlamos que aprende una red con los mecanismos de retro-propagación para decirle a la red si lo está haciendo bien o está haciendo mal, pero a la hora de analizar matemáticamente la red para explicar una respuesta no podemos hacerlo. En un problema clásico se puede ver cada variable o factor como afecta a la salida. por ejemplo en f(x) = 2x. podemos ver que si incrementa la variable de entrada X también lo va a hacer la salida. Pero a la hora de analizar una red neuronal, que consiste en neuronas y conexiones, no podemos saber dada una conexión como afecta o que aporta esta a la salida. Por tanto decimos que son cajas negras. A día de hoy ninguna red neuronal es inteligente. Son capaces de hacer cosas muy complejas, pero la inteligencia no está al alcance de ninguna red neuronal a día de hoy. Aunque se han conseguido avances muy interesantes en este campo y ya hay una red neuronal artificial simulando el cerebro completo de un ratón con excelentes resultados. (no encuentro el artículo). Las redes neuronales no son como niños chicos que las pones como sea y ellas aprenden. Necesitan de un experto que las diseñe con un patrón/forma concreta para cada problema especifico y ajuste las entradas/salidas. También el experto supervisa la red para ver si aprende correctamente con el sistema de back-programation diseñado. Es muy raro que una red neuronal funcione a la primera y requiere varios intentos/modificaciones. A día de hoy el papel del experto diseñador es muy importante. Aun así no me cabe duda que cuando seamos capaces computacionalmente de ejecutar redes con varios miles de millones de neuronas (actualmente se suelen usar 100 en los problemas comunes y ya son muchas) podremos empezar a crear cosas parecidas a inteligencias. Al ser una Heurística no hace otra que explorar (o simular la exploración) del espacio de soluciones y aportar una solución optima aproximada. Nunca nos van a garantizar el optimo y siempre tienen unos margenes de error. Perdonad por el tostón de mensaje, pero es un tema que me interesa mucho y no he podido evitarlo. Un abrazo de otro fanboy, Pablo Torres