Machine Learning España #190626

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.

Los pods de TPU V2 y V3 de Google Cloud ahora están disponibles públicamente en versión beta

Recientemente, Google anunció que sus Pods de unidades de procesamiento de tensores  en la nube (TPU) de segunda y tercera generación ahora están disponibles públicamente en versión beta. Estos módulos permiten que los superordenadores escalables basados ​​en la nube de Google con hasta 1,000 de sus TPU personalizados sean consumibles públicamente, lo que permite a los investigadores, ingenieros y científicos de datos de Machine Learning (ML) acelerar el tiempo necesario para entrenar e implementar modelos de Machine Learning.

Google anunció los TPU personalizados de primera generación en el evento Google I/O en 2016 y comenzó a ofrecerles acceso como un servicio en la nube para los clientes. Su continuación, el TPU de segunda generación, hizo su debut en 2017, y el TPU v3 refrigerado por líquido se presentó en la conferencia I/O de Google el año pasado. Hasta el Google I/O 2019, TPU v2 y el TPU v3 estaban disponibles públicamente como dispositivos individuales en Google Cloud. Ahora, el hardware TPU v2 y TPU v3 vienen como sistemas interconectados robustos llamados Cloud TPU Pods.

Un solo Cloud TPU Pod puede tener más de 1,000 chips TPU individuales que están conectados por una red de malla toroidal bidimensional ultra rápida. La pila de software TPU utiliza esta red de malla para permitir que muchos racks de máquinas se programen como un único y gigante superordenador de Machine Learning a través de una variedad de API flexibles y de alto nivel.

http://bit.ly/31nOXpm

 

Machine Learning está ayudando a detener las brechas de seguridad con analíticas de amenazas

Conclusión: Machine Learning está permitiendo que los análisis de amenazas ofrezcan una mayor precisión con respecto al contexto de riesgo del comportamiento de los usuarios privilegiados, creando notificaciones de actividad de riesgo en tiempo real, al tiempo que pueden responder activamente a incidentes mediante el corte de sesiones, agregando monitoreo adicional, o marcado para el seguimiento forense.

Separando los hechos de Hacks de Seguridad de la Ficción

Es hora de desmitificar la escala y la gravedad de las infracciones que ocurren a nivel mundial hoy en día. Un concepto erróneo o una ficción comúnmente sostenida es que millones de hackers han ido al lado oscuro y están organizando ataques masivos en cualquier negocio que sea vulnerable. Los hechos son muy diferentes y reflejan una verdad mucho más brutal, que es que las empresas se vuelven fáciles de hackear al no proteger sus credenciales de acceso privilegiado. Los ciberdelincuentes no están gastando el tiempo y el esfuerzo para piratear los sistemas; están buscando formas ingeniosas de robar credenciales de acceso privilegiado y caminar por la puerta principal. De acuerdo con el Informe de investigación de violaciones de datos de 2019 de Verizon, la cuenta de 'Phishing' (como un precursor para el uso incorrecto de credenciales), 'Credenciales robadas' y 'Abuso de privilegios' encabezan la mayoría de las acciones de amenazas en las brechas de seguridad.

Solo se necesita una credencial comprometida para impactar potencialmente a millones, ya sean millones de individuos o millones de dólares. Sin lugar a dudas, las identidades y la confianza que depositamos en ellas se utilizan contra nosotros. Se han convertido en el Talón de Aquiles de nuestras prácticas de ciberseguridad. Según un estudio reciente realizado por Centrify entre 1000 tomadores de decisiones de TI, el 74% de los encuestados cuyas organizaciones han sido violadas reconoció que se trataba de acceso a una cuenta privilegiada. Este número se alinea estrechamente con la estimación de Forrester Research "que al menos el 80% de los datos infringe. . . [involucra] credenciales privilegiadas comprometidas, como contraseñas, tokens, claves y certificados".

http://bit.ly/2WPLdOE

 

Una guía completa para el algoritmo de Bosque Aleatorio (Random Forest)

El bosque aleatorio o Random Forest es un algoritmo de Machine Learning flexible y fácil de usar que produce, incluso sin ajuste de parámetros múltiples, un gran resultado la mayor parte del tiempo. También es uno de los algoritmos más utilizados, debido a su simplicidad y diversidad (se puede usar tanto para tareas de clasificación como de regresión).

Cómo funciona el bosque aleatorio
El bosque aleatorio es un algoritmo de aprendizaje supervisado. El "bosque" que construye, es un conjunto de árboles de decisión o Decision Trees, generalmente entrenados con el método de "empaquetado". La idea general del método de embolsado es que una combinación de modelos de aprendizaje aumenta el resultado general.

En pocas palabras: el bosque aleatorio crea múltiples árboles de decisión y los combina para obtener una predicción más precisa y estable.

Una gran ventaja de los bosques aleatorios es que puede usarse tanto para problemas de clasificación como de regresión, que forman la mayoría de los sistemas actuales de Machine Learning.

El bosque aleatorio tiene casi los mismos hiperparámetros que un árbol de decisión o un clasificador de empaquetamiento. Afortunadamente, no es necesario combinar un árbol de decisiones con un clasificador de empaquetado porque se puede usar fácilmente la clase clasificadora de bosque aleatorio. Con el bosque aleatorio, también puede lidiar con las tareas de regresión utilizando el regresor del algoritmo.

http://bit.ly/2IJdiyB

 
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