Hola amigo, encontré tu canal gracias a un comentario que dejaste en el vídeo más reciente de QuantumFracture. Esperaba que fueras el típico canal que se dedica a comentar y hacer spam en los vídeos más populares; pero, por el contrario, me cerraste la boca. Se nota el gran esfuerzo y empeño que le pones a tus vídeos y, además abarcas temas muy interesantes en ellos y los explicas con gran facilidad y en poco tiempo. Espero que sigas con este proyecto y en futuro te conviertas en un gran divulgador como lo es Crespo. Acabo de compartir el video con uno de mis amigos, te ganaste una nueva sub, éxitos :)
Si te dijera que no me he emocionado sería mentira. Muchas gracias por este pedazo de comentario, me has dejado sin palabras. Me alegro mucho que te gusten mis vídeos tanto como para compartirlos con tus amigos y que me dediques estas palabras, me has llenado de energía para seguir adelante con todo esto. De verdad, gracias amigo ^^
@@anotherghost5711 Sí que lo soy jaja Saludos desde Españita xD Me alegra saberlo, según las estadísticas de RUclips el 100% de mi audiencia eran hombres, acabas de romperlas, gracias amiga ^^
No tiene nada que ver una cosa con la otra. CRISPR-Cas9 es una técnica para "editar" el ADN y los Algoritmos Genéticos son una familia de algoritmos que se inspiran en la forma de transmitir información a través de los genes (cruce y mutación) y la evolución a través de la selección natural de los mejores individuos.
Hola. Todo me ha quedado muy claro a excepción de la parte de la sustitución. Si es que de cada par de cromosomas nos quedamos solo con el de menor fitness, entonces finalmente tendremos la mitad de cromosomas. De donde salen los otros 5 cromosomas que completan la nueva generación?
Lo digo en la parte teórica (1:55), generalmente hay dos tipos de sustitución, por generaciones, donde se repiten los operadores hasta completar la población y por evolución continua donde se sustituyen directamente en la población. Tu confusión viene de que no estás teniendo en cuenta de que al usar una sustitución por generaciones estamos aplicando los operadores selección -> cruce -> mutación continuamente hasta llenar la población. Como se generan dos tras la aplicación de estos operadores podemos decidir incluir uno, los dos o ninguno, eso depende del criterio que hayas decidido, en el ejemplo del operador sustitución (4:00), decidí quedarme con el mejor de los dos antes de incluirlo en la población. En resumen, como usas sustitución por generaciones aplicas los operadores selección -> cruce -> mutación para generar cromosomas nuevos y rellenar la población, de ahí salen los 5 cromosomas restantes.
@@BitBoss Muchas gracias! Entonces por saber si lo he llegado a entender. En tú ejemplo (con el criterio en la sustitución de quedarme con el mejor, y en caso de que sean iguales, me quedo solo con uno de ellos). Para quedarme con una población de 10 cromosomas al final de cada generación, ¿debería ejecutar el conjunto de operadores selección-cruce-mutación unas 20 veces?
10 iteraciones de estos operadores: con selección se eligen los cromosomas, en este caso 2; con cruce se mezclan los cromosomas y obtenemos, en este caso 2; con mutación modificamos cada cromosoma de los dos obtenidos previamente y con sustitución elegimos el mejor y lo añadimos a la población. En cada iteración selección -> cruce -> mutación -> sustitución obtenemos 1 cromosoma, por lo que para 10 cromosomas, necesitamos 10 iteraciones de estos operadores. Ojo! Si el criterio de sustitución fuera otro, por ejemplo, que añadiera los dos en vez de quedarnos con el mejor, sí que serían 5 iteraciones de estos operadores ya que al añadir 2 por iteración, estaríamos añadiendo 5 iteraciones x 2 cromosomas/iteración = 10 cromosomas.
No, los algoritmos genéticos pertenecen a la familia de algoritmos evolutivos. Los algoritmos evolutivos son la rama de algoritmos inspirados en los principios de la evolución, en otras palabras, en la evolución de una población de soluciones que van mejorando con la aplicación de ciertos operadores. Entre los algoritmos evolutivos están los algoritmos genéticos, por tanto un algoritmo genético ES un algoritmo evolutivo, pero no al revés. Si sigues teniendo dudas vuelve a escribirme sin problemas ;)
¡Muchas gracias Roberto! ^^ Sobre tu pregunta, la respuesta sería no, los algoritmos genéticos son una metaheurística perteneciente a los algoritmos evolutivos. El reinforcement learning es un subcampo del machine learning que enseña a un agente cómo actuar en un entorno para maximizar las recompensas automáticamente, en otras palabras, es una familia de problemas dentro del machine learning (por ejemplo, hacer que un robot camine solo probando diferentes maneras de caminar). Lo que sí se pueden combinar, se pueden usar algoritmos genéticos para el entrenamiento de modelos de machine learning aplicados a problemas de reinforcement learning. Saludos ✌️
Que buen contenido ! Seguí con estos tipos de algoritmos, este y el de minimax están buenísimos
Muchas gracias! Pienso hacer muchos más 👀
Muy buen vídeo. ¡Felicidades! Comprensión simplificada de los algoritmos genéticos.
Hola amigo, encontré tu canal gracias a un comentario que dejaste en el vídeo más reciente de QuantumFracture. Esperaba que fueras el típico canal que se dedica a comentar y hacer spam en los vídeos más populares; pero, por el contrario, me cerraste la boca. Se nota el gran esfuerzo y empeño que le pones a tus vídeos y, además abarcas temas muy interesantes en ellos y los explicas con gran facilidad y en poco tiempo. Espero que sigas con este proyecto y en futuro te conviertas en un gran divulgador como lo es Crespo. Acabo de compartir el video con uno de mis amigos, te ganaste una nueva sub, éxitos :)
Si te dijera que no me he emocionado sería mentira. Muchas gracias por este pedazo de comentario, me has dejado sin palabras. Me alegro mucho que te gusten mis vídeos tanto como para compartirlos con tus amigos y que me dediques estas palabras, me has llenado de energía para seguir adelante con todo esto. De verdad, gracias amigo ^^
@@BitBoss jajajs de nada amigo, nunca te rindas.
Eres de españita cierto? Saludos desde Colombia.
Por cierto, soy una chica no un chico xd.
@@anotherghost5711 Sí que lo soy jaja Saludos desde Españita xD
Me alegra saberlo, según las estadísticas de RUclips el 100% de mi audiencia eran hombres, acabas de romperlas, gracias amiga ^^
muy bueno, con un jemeplo facil y con dibujitos cada paso que hacias me gusto mucho. y entendi mas
Me alegro mucho que te haya gustado, gracias por apreciarlo :3
¡Muy buena explicación! Pude comprender básicamente en que consiste un algoritmo genético.
Muchas gracias ^^ me alegro mucho que te haya servido.
Woooo que explicación tan resumida.
Tu tiempo es oro ;) muchas gracias por valorarlo
Éste canal está muy bueno, lástima que ya no subiste más contenido :(
Más que excelente! Todo claro, con detalle y wow hasta con ejemplo congruente. Muchas gracias por tan detallada explicación. :)
Muuuuuuchísimas gracias por valorar el esfuerzo. Comentarios como el tuyo me dan ganas de seguir subiendo vídeos, gracias de nuevo :3
muy bueno tú canal, pronto tenderas mucho éxito! saludos desde México!!!
Muchas gracias por tu apoyo, me alegro de que te guste 😊
Excelente explicación. Gracias!
Muchas gracias Emilio 😊
Buenisimo !!!
Excelente explicación!
Me alegro que te haya gustado 😊
gran trabajo!
¡Muchas gracias! ^^
Para que veas cuan de la mano va la ciencia y el mundo tecnológico
Totalmente, hay muchos algoritmos bioinspirados que molan un montón, ya subiré otro videos sobre ellos
buen video, se la rifa
Buen video
Muchas gracias ^^
Que diferencia hay con CRISP 9 ? Cuál es mejor..?
No tiene nada que ver una cosa con la otra. CRISPR-Cas9 es una técnica para "editar" el ADN y los Algoritmos Genéticos son una familia de algoritmos que se inspiran en la forma de transmitir información a través de los genes (cruce y mutación) y la evolución a través de la selección natural de los mejores individuos.
@@BitBoss Ha claro, osea que no se le puede manipular o cambiar el ADN.. Gracias por la info..!
Qué va, es solo un algoritmo que aprovecha los principios de la evolución para mejorar soluciones a problemas. No hay de qué ^^
Hola. Todo me ha quedado muy claro a excepción de la parte de la sustitución. Si es que de cada par de cromosomas nos quedamos solo con el de menor fitness, entonces finalmente tendremos la mitad de cromosomas. De donde salen los otros 5 cromosomas que completan la nueva generación?
Lo digo en la parte teórica (1:55), generalmente hay dos tipos de sustitución, por generaciones, donde se repiten los operadores hasta completar la población y por evolución continua donde se sustituyen directamente en la población. Tu confusión viene de que no estás teniendo en cuenta de que al usar una sustitución por generaciones estamos aplicando los operadores selección -> cruce -> mutación continuamente hasta llenar la población. Como se generan dos tras la aplicación de estos operadores podemos decidir incluir uno, los dos o ninguno, eso depende del criterio que hayas decidido, en el ejemplo del operador sustitución (4:00), decidí quedarme con el mejor de los dos antes de incluirlo en la población. En resumen, como usas sustitución por generaciones aplicas los operadores selección -> cruce -> mutación para generar cromosomas nuevos y rellenar la población, de ahí salen los 5 cromosomas restantes.
@@BitBoss Muchas gracias!
Entonces por saber si lo he llegado a entender. En tú ejemplo (con el criterio en la sustitución de quedarme con el mejor, y en caso de que sean iguales, me quedo solo con uno de ellos). Para quedarme con una población de 10 cromosomas al final de cada generación, ¿debería ejecutar el conjunto de operadores selección-cruce-mutación unas 20 veces?
10 iteraciones de estos operadores: con selección se eligen los cromosomas, en este caso 2; con cruce se mezclan los cromosomas y obtenemos, en este caso 2; con mutación modificamos cada cromosoma de los dos obtenidos previamente y con sustitución elegimos el mejor y lo añadimos a la población. En cada iteración selección -> cruce -> mutación -> sustitución obtenemos 1 cromosoma, por lo que para 10 cromosomas, necesitamos 10 iteraciones de estos operadores. Ojo! Si el criterio de sustitución fuera otro, por ejemplo, que añadiera los dos en vez de quedarnos con el mejor, sí que serían 5 iteraciones de estos operadores ya que al añadir 2 por iteración, estaríamos añadiendo 5 iteraciones x 2 cromosomas/iteración = 10 cromosomas.
@@BitBoss ahora si entendido al 100%. Me subscribe! 👍
Es lo mismo un algoritmo genetico que algoritmo evolutivo?
No, los algoritmos genéticos pertenecen a la familia de algoritmos evolutivos. Los algoritmos evolutivos son la rama de algoritmos inspirados en los principios de la evolución, en otras palabras, en la evolución de una población de soluciones que van mejorando con la aplicación de ciertos operadores. Entre los algoritmos evolutivos están los algoritmos genéticos, por tanto un algoritmo genético ES un algoritmo evolutivo, pero no al revés. Si sigues teniendo dudas vuelve a escribirme sin problemas ;)
Muy buen video! Estos algoritmos pertenecen al campo de reinforcement learning? Saludos desde Chile ✌️
¡Muchas gracias Roberto! ^^ Sobre tu pregunta, la respuesta sería no, los algoritmos genéticos son una metaheurística perteneciente a los algoritmos evolutivos.
El reinforcement learning es un subcampo del machine learning que enseña a un agente cómo actuar en un entorno para maximizar las recompensas automáticamente, en otras palabras, es una familia de problemas dentro del machine learning (por ejemplo, hacer que un robot camine solo probando diferentes maneras de caminar).
Lo que sí se pueden combinar, se pueden usar algoritmos genéticos para el entrenamiento de modelos de machine learning aplicados a problemas de reinforcement learning. Saludos ✌️
Clarísimo, muchas gracias!
severo
Muchas gracias Sergio ^^
Puedes enseñarlo con Python?
Tengo pensado hacerlo pero tengo pendientes varios vídeos antes. Espero traerlo al canal lo más pronto posible.
Excelente explicación 👏👏👏
Muchísimas gracias 🥰