Machine Learning España #190709

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.

Tres tendencias a observar en Machine Learning e Inteligencia Artificial

La ciencia de los datos ha evolucionado rápidamente, con un número interminable de nuevas aplicaciones cada año. Los casos de uso recientes se centran en racionalizar el universo de datos eliminando las barreras que ralentizan la construcción de modelos, como los datos que faltan o los llamados Dirty Data, que lo componen aquellos datos erróneos, introducidos voluntaria o involuntariamente. Tres tendencias de machine learning que pueden revolucionar 2019:

1. Mejora de la calidad de los datos mediante la detección de valores atípicos
Las innovaciones como el Internet de las Cosas (IoT) y los datos no estructurados están produciendo exponencialmente más datos, lo que permite a las organizaciones descubrir conocimiento inesperado a partir de nuevas fuentes más granulares. Sin embargo, estas fuentes crecientes de datos introducen un mayor riesgo de producir modelos de Machine Learning que utilizan datos sucios y por lo tanto producen pronósticos inexactos. Los riesgos del Dirty Data van más allá de las malas previsiones: IBM estima que costarán aproximadamente 3,1 billones de dólares cada año a la economía de EE.UU.

2. Crecimiento continuo del procesamiento del lenguaje natural
El procesamiento del lenguaje natural (PLN / NLP), un subcampo de la inteligencia artificial que permite que los ordenadores procesen y actúen sobre el lenguaje humano y las consultas sobre este, ha crecido de forma explosiva durante el último año, principalmente a través de los chatbots y los asistentes de IA como Alexa. Pero el PLN está apareciendo en lugares nuevos e inesperados. Por ejemplo, Google interpreta ahora las búsquedas en lugar de simplemente buscar las palabras en sí mismas, y los fabricantes de automóviles están instalando asistentes de IA en sus vehículos para el reconocimiento facial e incluso para ofrecer recomendaciones musicales. Estas características permiten a las personas obtener rápidamente más información y controlar su entorno con comandos simples y menos clics.

3. Machine learning automatizado con IA
Los perfiles y habilidades de científicos de datos escasean y la creación de modelos es un proceso que requiere mucho tiempo, al incluir la limpieza de datos, la selección de modelos y muchas rondas de capacitación y pruebas, las cuales disminuyen la velocidad a la que se pueden implementar los modelos Machine Learning. Para combatir este problema, la IA se está utilizando tanto para crear como para afinar modelos, acelerando significativamente su construcción y permitiendo a los analistas que carecen de habilidades de codificación construir sus propios modelos.

http://bit.ly/2JqC72N

 

FPGAs abre sus puertas en Machine Learning

Los arreglos de puertas programables de campo (Field Programmable Gate Arrays - FPGAs) han logrado algunos logros notables como una plataforma para Machine Learning, siendo el ejemplo más notable la adopción por parte de Microsoft de la tecnología en Azure. Pero para este tipo de trabajo, las arquitecturas competidoras como GPU, CPU y ASIC personalizados, significan que las perspectivas a largo plazo para los FPGA en esta categoría de aplicaciones dependerán de qué tan bien los proveedores como Intel y Xilinx puedan aprovechar al máximo estos dispositivos.

Gaurav Singh, vicepresidente corporativo de Xilinx de arquitectura y verificación de silicio, comentó cómo su compañía ve el camino a seguir para FPGA en el espacio de Machine Learning y los atributos únicos que aportan. El elemento más importante de esto es jugar con las fortalezas de estos dispositivos. Para aplicaciones de Machine Learning, eso significa usar principalmente FPGAs para inferencia, en lugar de entrenamiento.

El razonamiento aquí es bastante sencillo: la inferencia requiere una precisión menor y una menor intensidad computacional que el entrenamiento, que se ajusta mejor a las capacidades de punto flotante más limitadas de los FPGA, al menos en comparación con una GPU moderna. "Para el entrenamiento, es una carrera de armamentos en términos de quién puede construir el sistema más grande y más malo", observó Singh.

http://bit.ly/30xp3yY

 

Redes neuronales recurrentes 101: comprensión de los conceptos básicos de RNN y LSTM

Las redes neuronales recurrentes (RNN) son el algoritmo más moderno para datos secuenciales y son utilizados por Siri de Apple y por la búsqueda de voz de Google. Es el primer algoritmo que recuerda su entrada, debido a una memoria interna, que lo hace perfectamente adecuado para problemas de Machine Learning que involucran datos secuenciales. Es uno de los algoritmos detrás de escena de los increíbles logros observados en Deep Learning en los últimos años. En esta publicación, cubriremos los conceptos básicos de cómo funcionan las redes neuronales recurrentes, cuáles son los problemas más grandes y cómo resolverlos.


Introducción a las redes neuronales recurrentes

Los RNN son un tipo potente y robusto de red neuronal, y pertenecen a los algoritmos más prometedores en uso porque es el único con una memoria interna.

Como muchos otros algoritmos de Deep Learning, las redes neuronales recurrentes son relativamente antiguas. Fueron creados inicialmente en la década de 1980, pero solo en los últimos años hemos visto su verdadero potencial. Un aumento en el poder de cómputo junto con las enormes cantidades de datos con los que ahora tenemos para trabajar, y la invención de la memoria de corto plazo a largo plazo (LSTM) en la década de 1990, realmente ha puesto a RNN en primer plano.

Debido a su memoria interna, los RNN pueden recordar cosas importantes sobre la información que recibieron, lo que les permite ser muy precisas al predecir lo que vendrá a continuación. Es por eso que son el algoritmo preferido para datos secuenciales como series de tiempo, voz, texto, datos financieros, audio, video, clima y mucho más. Las redes neuronales recurrentes pueden formar una comprensión mucho más profunda de una secuencia y su contexto en comparación con otros algoritmos.

En pocas palabras: las redes neuronales recurrentes producen resultados predictivos en datos secuenciales que otros algoritmos no pueden.

http://bit.ly/32cHQR4

 
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