Apuntes

Tres números para cada punto y cada recta del plano, para que unir dos puntos y cortar dos rectas tome un solo producto cruz.

Cuatro maneras en que puede cambiar una figura plana, desde un giro hasta la vista de una cámara, y cómo encontrar y deshacer una a partir de cuatro pares de puntos.

Rotaciones y traslaciones en el espacio, proyección en perspectiva y el modelo de cámara, con figuras interactivas.

Cómo estimar la matriz de proyección de una cámara y sus once parámetros a partir de puntos de un objeto conocido, con una figura interactiva.

Dónde puede aparecer en una segunda imagen un punto visto en la primera, la matriz fundamental que lo dice y cómo estimarla, con figuras interactivas.

Cómo encontrar un punto del espacio a partir de sus imágenes en dos o más vistas, y predecir dónde aparece en una tercera, con una figura interactiva.

Cómo elegir una y otra vez entre opciones cuyo rendimiento solo se conoce probándolas, estimando cuánto vale cada una y equilibrando probar las demás con usar la mejor encontrada hasta ahora.

Aprender cuán bueno es cada estado y cada acción promediando los retornos de episodios completos, y mejorar la política con esos promedios, sin un modelo del mundo.

Actualizar una estimación después de cada paso, hacia la recompensa recién recibida más la estimación del estado siguiente, en vez de esperar al final del episodio, y la misma idea para aprender a actuar.

Cómo un agente aprende los valores de la mejor conducta a partir de su propia experiencia, paso a paso, mientras sigue probando otras acciones.

Usar n recompensas reales antes de confiar en una estimación: los métodos que van de TD de un paso a Monte Carlo.

Promediar todos los retornos de n pasos con pesos que decaen por λ, y aprender de ese promedio mientras avanza el episodio, con una memoria que se desvanece de los pares recién visitados.

Aprender cómo responde el mundo a cada acción, y planear con ese modelo: R-Max va a buscar lo que no ha probado, y Dyna aprende dos veces de cada paso real, una del paso mismo y otra de repeticiones de lo que recuerda.

Estimar valores cuando hay demasiados estados para una tabla: unos pocos pesos le dan su valor a cada estado, aprendidos de retornos o de la estimación siguiente, y los dos tipos de aprendizaje terminan en pesos distintos.

Aprender a actuar cuando hay demasiados estados para una tabla: valores de acciones a partir de unos pocos pesos, Sarsa que los aprende mientras actúa con ellos y, para una tarea que no termina, valores medidos frente a la recompensa promedio.

Cómo un agente aprende a jugar videojuegos solo a partir de los cuadros del juego: una red que convierte los últimos cuadros en un valor para cada movimiento, entrenada con Q-learning sobre momentos sacados al azar de una memoria de su propio juego.

Cuán seguido aparecen las palabras y cuán rápido crece un vocabulario, y por qué unas pocas palabras llenan cerca de un cuarto de un texto largo mientras siguen llegando palabras nuevas.

De qué está hecha una palabra, cómo los stems y los lemas reúnen sus formas, cómo se etiquetan las palabras de una oración y cómo WordNet relaciona sus significados.

Cómo un buscador encuentra el capítulo del que trata una consulta, convirtiendo palabras en pesos, capítulos en vectores y la relevancia en un ángulo, y cómo BM25 refina los pesos.

Cómo una suma ponderada de las palabras de un documento decide a cuál de dos clases pertenece, cómo la regresión logística convierte esa suma en una probabilidad y cómo el descenso de gradiente aprende los pesos.

Cómo una bolsa de palabras pierde el orden de un texto, cómo los n-gramas y los skip-gramas recuperan parte de él, y cómo word2vec aprende un vector para cada palabra adivinando las que la rodean, un entrenamiento que el muestreo negativo abarata.

Lo que terminan capturando los vectores que word2vec aprende del Quijote, por qué las palabras relacionadas apuntan igual aunque nunca aparezcan juntas, cómo sumas y diferencias de vectores encuentran la palabra que sobra en una lista y completan analogías, qué no sabe un solo libro y sí saben los vectores entrenados con mucho más texto, y cómo el pooling le da a un texto entero un solo vector.

Cómo una palabra para la que ninguna tabla tiene vector recibe uno a partir de sus subwords, tramos de tres a seis caracteres que comparte con otras palabras, cómo los entrena fastText, con qué se entrenaron los vectores que se descargan, y cuándo compartir letras es compartir significado.

Cómo un modelo le da una etiqueta a cada token de una oración, como el comienzo de un nombre o su categoría gramatical: un cabezal que puntúa cada token, una tabla que puntúa qué etiqueta puede seguir a cuál, la probabilidad de una secuencia de etiquetas entera calculada sin enumerarlas todas, y el modelo oculto de Markov, entrenado contando y decodificado con Viterbi.