Machine Learning España #190228

Machine Learning España es el resumen principal de noticias de Machine Learning (Aprendizaje Automático) y Deep Learning (Aprendizaje Profundo) de España.

Los principales desarrollos a nivel mundial en este campo, ya sean nuevas tecnologías, compañías o productos, procesados y simplificados para que lo puedas tener de forma fácil, simple y gratis!

Los ejemplos y tutoriales de Machine Learning permiten que los nuevos contenidos, muchas veces de gran complejidad, sean accesibles para una audiencia más amplia. A su vez, las técnicas y algoritmos de Machine Learning, ofrecen los últimos avances en investigación de forma más interesante y simple de comprender. Se incluye, también, ejemplos y técnicas de Python, ya que es uno de los lenguajes más utilizados en este campo.

Este contenido se complementa con información específica para España.

Cómo escalar el entrenamiento de algoritmos de Inteligencia Artificial

Se ha hallado que la escala de ruido de gradiente, una simple métrica estadística, predice la paralelización de la formación de redes neuronales en una amplia gama de tareas. Dado que las tareas complejas tienden a tener gradientes más ruidosos, es probable que los lotes cada vez más grandes se vuelvan útiles en el futuro, eliminando un límite potencial para un mayor crecimiento de los sistemas de Inteligencia Artificial y Machine Learning. En términos más generales, estos resultados muestran que el entrenamiento de redes neuronales no debe considerarse un arte misterioso, sino que puede ser riguroso y sistemático.

En los últimos años, los investigadores de Inteligencia Artificial han tenido un éxito creciente en la aceleración del entrenamiento de redes neuronales a través del paralelismo de datos, que divide grandes lotes de datos en muchas máquinas. Los investigadores han utilizado con éxito tamaños de lotes de decenas de miles para la clasificación de imágenes y el modelado del lenguaje, e incluso millones para los agentes de RL que juegan el juego Dota 2. Estos lotes grandes permiten que cantidades cada vez mayores de cómputo se viertan eficientemente en la capacitación de un solo modelo y son un importante facilitador del rápido crecimiento en el cálculo de la capacitación en Inteligencia Artificial. Sin embargo, los tamaños de lotes que son demasiado grandes muestran rendimientos algorítmicos que disminuyen rápidamente, y no está claro por qué estos límites son más grandes para algunas tareas y más pequeños para otras.

Se ha encontrado que al medir la escala de ruido de gradiente, una estadística simple que cuantifica la relación de señal a ruido de los gradientes de la red, puede predecir aproximadamente el tamaño máximo útil del lote. Heurísticamente, la escala de ruido mide la variación en los datos según lo visto por el modelo (en una etapa dada en el entrenamiento). Cuando la escala de ruido es pequeña, mirar una gran cantidad de datos en paralelo rápidamente se vuelve redundante, mientras que cuando es grande, todavía se puede aprender mucho de enormes lotes de datos.

https://bit.ly/2W5kbip

 

¿Podría Machine Learning ser la clave para una mejor conservación de las plantas?

Un equipo de investigación multi-institucional utilizó el poder de las bases de datos de acceso abierto para predecir el estado de conservación de más de 150,000 plantas.

Los científicos han documentado casi 400,000 especies de plantas y esperan identificar muchas más. Pero a diferencia de los conocidos animales en peligro de extinción, como los elefantes, tigres y loros, actualmente no entendemos el estado de conservación de más del 90 por ciento de las especies de plantas del mundo. El crecimiento de las plantas y las comunidades impulsan los ecosistemas, las cadenas alimentarias y la agricultura en todos los continentes, sin embargo, no conocemos las condiciones que los hacen prosperar o desaparecer.

Comprender qué tan amenazada está una especie de planta específica requiere información amplia sobre dónde vive y cómo se ve. Pero encontrar plantas en la naturaleza para determinar dónde están y dónde no, requiere tiempo, dinero y experiencia.

Un equipo de investigación multi-institucional utilizó el poder de las bases de datos de acceso abierto y Machine Learning para predecir el estado de conservación de más de 150,000 plantas. En su estudio publicado en las Actas de la Academia Nacional de Ciencias, el equipo probó si su algoritmo de Machine Learning podía rastrear patrones en ubicaciones de plantas, patrones climáticos, características del hábitat y morfologías (su forma y estructura) y utilizar esa información para Identificar las especies que pudieran estar en riesgo de extinción.

"Hay una necesidad urgente de métodos más eficientes para identificar especies en riesgo", dijeron los autores en su artículo. "Para satisfacer esta necesidad, desarrollamos y evaluamos un protocolo predictivo que permite una evaluación inicial rápida del estado de conservación de los taxones de plantas poco estudiados".

http://bit.ly/2XiDGVc

 

Métodos de Machine Learning en medicina de precisión para identificar enfermedades epigenéticas

Machine Learning es el estudio de algoritmos y modelos estadísticos que utilizan los sistemas informáticos para mejorar progresivamente su rendimiento en una tarea específica. Es claramente visible que Machine Learning es esencial en esta era en la que vivimos, cuando hay una gran cantidad de datos epigenéticos presentes provenientes de diferentes fuentes, como experimentos y clínicas u hospitales.

Machine Learning puede ayudar en la detección de características epigenéticas en un genoma dado. También ayuda a encontrar similitudes y relaciones entre fenotipos y modificaciones en histonas y genes. También ayuda a acelerar la identificación de compuestos de plomo que son marcadores objetivos de enfermedades epigenéticas.

Junto con estos usos, hay muchos otros aspectos relacionados con el estudio de la epigenética, que en consecuencia nos acercan más a la realización de nuestras esperanzas actuales en la medicina de precisión. Por lo tanto, ahora son posibles muchos nuevos estudios en medicina de precisión dirigidos a biomarcadores de enfermedades epigenéticas debido al hecho de que los algoritmos de Machine Learning han acelerado los procesos utilizados para el análisis de datos. Por lo tanto, para aprovechar al máximo los algoritmos de Machine Learning, uno debe familiarizarse con las ventajas y desventajas de ellos, ya que es una forma de aprovecharlos al máximo.

https://bit.ly/2BIOVw1

 
Tu opinión es muy importante! Deja tu comentario con sugerencias o ideas de cómo mejorar este servicio.

Puedes seguir noticias y eventos en facebook: https://www.facebook.com/machinelearningespana

#machinelearning #deeplearning #espana #españa