Machine Learning España #190617

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.

ml5: Biblioteca de Machine Learning de código abierto para la Web

Cada otoño en ITP (Interactive Telecommunications Program - Programa de telecomunicaciones interactivas), muchos estudiantes con una variedad de orígenes de todo el mundo ven un código por primera vez en un curso llamado "Introducción a los medios informáticos". Este no es un curso de informática, más bien es un curso sobre aprender a pensar computacionalmente y aplicar la computación a la pasión de uno, ya sea arte, danza, biología, justicia social, moda y más. No hay pruebas, ni algoritmos para memorizar, solo proyectos creativos para realizar y el único requisito es simplemente intentarlo. Esta es una misión clave de ITP: encontrar maneras de hacer que la tecnología y la codificación sean más accesibles e inclusivas, algo que todos puedan aprender, comprender y explorar de forma libre y creativa.

El vehículo principal para el curso introductorio es p5.js, una biblioteca de JavaScript de The Processing Foundation cuya misión se alinea con el curso: “para capacitar a las personas de todos los intereses y antecedentes para que aprendan cómo programar y hacer un trabajo creativo con código, especialmente aquellos que de lo contrario, podría no tener acceso a estas herramientas y recursos".

Con Processing, un artista puede inventar sus propias herramientas en lugar de confiar en aquellas creadas y mantenidas por otros. Hoy en día, ser "alfabetizado en software" es posiblemente más importante que nunca. Los algoritmos afectan nuestras vidas en formas que no podríamos haber anticipado y la explosión de la llamada investigación de aprendizaje "profundo" ha extendido aún más su alcance. Nuestras interacciones ahora se negocian no solo entre sí, sino también con vehículos autónomos, asistentes que siempre escuchan, cámaras que identifican nuestras caras y poses. Sin el acceso y la comprensión de los modelos de Machine Learning, los datos subyacentes y los resultados que impulsan el software, ¿cómo podemos participar, cuestionar y proponer alternativas de manera significativa? Machine Learning enfrenta un desafío similar de accesibilidad que el simple hecho de aprender a codificar hace más de quince años. Aquí es donde entra en juego ml5.js: una biblioteca para principiantes para la web que introduce a los programadores a Machine Learning, desde algoritmos y datos a modelos y capacitación. http://bit.ly/2FeZbyI

 

Mind Foundry lanza una plataforma de Machine Learning para transformar a los "propietarios de problemas de negocios" en "ciudadanos científicos de datos"

Mind Foundry, una tecnología derivada del Grupo de Investigación de Machine Learning (MLRG) de la Universidad de Oxford, anunció el lanzamiento comercial de una revolucionaria plataforma de Machine Learning humanizada. Por primera vez, la nueva plataforma basada en la nube le permite a cualquier persona, de cualquier capacidad técnica y en cualquier tamaño de organización, desbloquear rápidamente el valor total de volúmenes cada vez mayores de datos para tomar decisiones sobre problemas de negocios complejos sin la necesidad de científicos de datos.

La plataforma se desarrolló a través del trabajo con algunas de las empresas de inversión más grandes del mundo, proveedores de telecomunicaciones, fabricantes y compañías de la industria pesada. Las organizaciones pueden resolver proactivamente los problemas de negocios al aprovechar fácilmente el poder predictivo de sus datos existentes. La plataforma crea automáticamente las soluciones de Machine Learning adecuadas para los problemas empresariales en minutos u horas, en lugar de semanas o meses, y proporciona total transparencia y capacidad de auditoría de las soluciones. Los propietarios de problemas son guiados a través de pasos simples para desarrollar e implementar modelos. A lo largo del camino, la plataforma brinda orientación y asesoramiento para permitir mejoras continuas, el descubrimiento de información útil y una comprensión completa de los resultados derivados de Machine Learning.

http://bit.ly/2Kje33v

 

Un enfoque para mejorar las explicaciones de Machine Learning

Investigadores de IBM Research U.K., la Academia Militar de los Estados Unidos y la Universidad de Cardiff han propuesto recientemente una técnica que llaman Explicaciones Agnósticas del Modelo Interpretable Local (LIME) para lograr una mejor comprensión de las conclusiones alcanzadas por los algoritmos de Machine Learning. Su artículo, publicado en la biblioteca digital de SPIE, podría informar el desarrollo de herramientas de Inteligencia Artificial (IA) que brindan explicaciones exhaustivas de cómo llegaron a un resultado o conclusión particular.

"Creemos que la Inteligencia Artificial y Machine Learning pueden respaldar y aumentar la toma de decisiones humanas, pero que también es necesario explicar la Inteligencia Artificial", dijo Eunjin Lee, coautor del artículo de investigación original y especialista en tecnología emergente e inventor principal de IBM Research en Reino Unido. "Hoy en día, las decisiones tomadas por muchos sistemas de Machine Learning son inexplicables, es decir, no tenemos forma de que nosotros, los humanos, sepamos cómo los sistemas tomaron esas decisiones. Nuestra investigación aborda este problema investigando cómo mejorar las técnicas de explicación que tienen como objetivo arrojar luz sobre la "caja negra" de los procesos de Machine Learning".

LIME es una técnica de explicación particularmente popular que se puede aplicar a muchos modelos de Machine Learning. A pesar de su versatilidad, a menudo se considera poco confiable y, por lo tanto, ineficaz para proporcionar explicaciones, también debido a la variabilidad en los resultados que produce. En lugar de desarrollar una técnica de explicación completamente nueva, Lee y sus colegas se propusieron identificar mecanismos que podrían mejorar las explicaciones de LIME.

http://bit.ly/2wph6Ol

 
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