El poder y la simplicidad de propagar errores con simulaciones de Monte Carlo
El poder de propagar errores con simulaciones de Monte Carlo
Dominando la incertidumbre en el análisis de datos y ajuste de modelos, con código práctico y ejemplos
Hay bastante información sobre los métodos de Monte Carlo en general en Towards Data Science, pero no mucho sobre su aplicación muy importante y útil en la propagación de errores, aparte de una gran introducción realizada por Shuai Guo y algunos otros artículos:
Usando Monte Carlo para cuantificar el error de predicción del modelo
Demostración de simulaciones de Monte Carlo
towardsdatascience.com
Aquí, quiero presentar algunas aplicaciones numéricas concretas con código para que puedas probar y experimentar de primera mano cómo los métodos de Monte Carlo pueden ser extremadamente útiles, pero fáciles de implementar, para la propagación de errores en cálculos de casi cualquier tipo.
Comenzaré con una aplicación muy simple para propagar los errores durante una operación de resta, para luego ejemplificar cómo puedes usar básicamente la misma idea para propagar errores en prácticamente cualquier tipo de rutina numérica, desde una simple regresión lineal hasta un procedimiento de ajuste muy complejo que sería muy difícil de abordar analíticamente.
- Miles de autores instan a las compañías de IA a dejar de usar trabajos sin permiso
- ¿Realmente necesitas Aprendizaje por Reforzamiento (RL) en RLHF? Una nueva investigación de Stanford propone DPO (Optimización de Preferencias Directas) Un paradigma de entrenamiento simple para entrenar modelos de lenguaje a partir de preferencias sin RL.
- Investigadores de UC Berkeley presentan Gorilla un modelo basado en LLaMA afinado que supera a GPT-4 en la escritura de llamadas a la API.
Propagación de errores a través de simulaciones de Monte Carlo
La propagación de errores es un concepto fundamental en el análisis de datos y la computación científica. Cuando tienes mediciones con incertidumbres, realizar operaciones matemáticas con estos valores dará lugar a errores propagados en el resultado calculado final. Para operaciones aritméticas simples, la propagación de errores se puede realizar analíticamente utilizando fórmulas. Si estás interesado en la propagación de errores analítica, consulta este recurso:
Incertidumbres y Propagación de Errores
Copyright 1 de julio de 2000 1. Errores Sistemáticos versus Errores Aleatorios 2. Determinación de Errores Aleatorios (a) Límite de Error del Instrumento…
www.geol.lsu.edu
Sin embargo, para operaciones más complejas que involucran múltiples variables y funciones no lineales, o para procedimientos de cálculo grandes como los involucrados en el ajuste de datos o…
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Los 7 mejores libros de Procesamiento del Lenguaje Natural que todo científico de datos debe leer
- Sabemos que las LLM pueden utilizar herramientas, ¿pero sabías que también pueden crear nuevas herramientas? Conoce a las LLM como fabricantes de herramientas (LATM) un sistema de bucle cerrado que permite a las LLM crear sus propias herramientas reutilizables.
- Este artículo de IA propone Retentive Networks (RetNet) como una arquitectura base para modelos de lenguaje grandes logrando paralelismo de entrenamiento, inferencia de bajo costo y buen rendimiento
- Investigadores de CMU proponen GILL un método de IA para fusionar LLMs con modelos de codificador y decodificador de imágenes
- Búsqueda de similitud, Parte 6 Proyecciones aleatorias con LSH Forest
- Google AI presenta SimPer un marco contrastivo auto-supervisado para aprender información periódica en los datos
- Una nueva investigación de IA de Italia presenta un modelo generativo basado en difusión capaz tanto de la síntesis musical como de la separación de fuentes