Sign up to save your podcasts
Or
Share E017_Redes Generativas Antagónicas (GANs)
Share to email
Share to Facebook
Share to X
Share to email
Share to Facebook
Share to X
Or
E017_Redes Generativas Antagónicas (GANs)
🎙️ ¿Qué ocurre cuando enfrentas a dos inteligencias artificiales entre sí? En este episodio, analizamos el paper seminal que transformó el aprendizaje automático: ““Generative Adversarial Networks”” (2014). Descubre el fascinante marco propuesto por Ian Goodfellow y sus colaboradores, donde se entrena simultáneamente a dos modelos en un juego minimax de dos jugadores 🎮. Por un lado, un modelo generativo (G) intenta capturar la distribución de los datos para crear imitaciones perfectas 🎨; por el otro, un modelo discriminativo (D) actúa como un juez severo 🕵️♂️, calculando la probabilidad de que una muestra provenga de los datos reales o sea una falsificación creada por su rival.
💡 Acompáñanos a desgranar cómo este proceso adversarial entrena al sistema para que el generador aprenda a maximizar los errores del discriminador, utilizando perceptrones multicapa y backpropagation 🧠 sin necesidad de complejas cadenas de Markov. Si quieres entender la arquitectura matemática donde el equilibrio se alcanza cuando la IA ya no puede diferenciar la realidad de la ficción (llevando al discriminador a una probabilidad del 50%), ¡no te pierdas este episodio! 👇 Dale al play para comprender el origen teórico de las IAs generativas.
Fuentes:
• Generative Adversarial Networks (arXiv:1406.2661)
View all episodes
By Julio Pablo Vazquez🎙️ ¿Qué ocurre cuando enfrentas a dos inteligencias artificiales entre sí? En este episodio, analizamos el paper seminal que transformó el aprendizaje automático: ““Generative Adversarial Networks”” (2014). Descubre el fascinante marco propuesto por Ian Goodfellow y sus colaboradores, donde se entrena simultáneamente a dos modelos en un juego minimax de dos jugadores 🎮. Por un lado, un modelo generativo (G) intenta capturar la distribución de los datos para crear imitaciones perfectas 🎨; por el otro, un modelo discriminativo (D) actúa como un juez severo 🕵️♂️, calculando la probabilidad de que una muestra provenga de los datos reales o sea una falsificación creada por su rival.
💡 Acompáñanos a desgranar cómo este proceso adversarial entrena al sistema para que el generador aprenda a maximizar los errores del discriminador, utilizando perceptrones multicapa y backpropagation 🧠 sin necesidad de complejas cadenas de Markov. Si quieres entender la arquitectura matemática donde el equilibrio se alcanza cuando la IA ya no puede diferenciar la realidad de la ficción (llevando al discriminador a una probabilidad del 50%), ¡no te pierdas este episodio! 👇 Dale al play para comprender el origen teórico de las IAs generativas.
Fuentes:
• Generative Adversarial Networks (arXiv:1406.2661)