Machine Learning España #191105

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.

Uso de Machine Learning en capital de riesgo

Machine Learning puede ayudar a los inversores de capital de riesgo de múltiples maneras:

- Ayudar a los inversores a detectar brechas de mercado y tendencias generales;
- Realizar una mejor gestión de la cartera;
- Co-inversores y acuerdos coincidentes;
- Obtener inteligencia sobre el panorama de los competidores;
- Identificación de potenciales compradores;
- Crear modelos de precios / valoración más precisos.

En otras palabras, tiene el potencial de hacer que los inversores de riesgo sean mejores y estén más informados, incluso en la fase posterior a la inversión, donde necesitan ayudar a las empresas a crecer.

Todavía hay un caso de uso que no he enumerado, en el que nos centramos: usar datos para encontrar startups relativamente desconocidas y comprender de antemano su potencial de éxito. Nuestro objetivo ambicioso, por lo tanto, era tratar de tener una mejor idea de la probabilidad de éxito de una empresa sin utilizar el balance o los datos cuantitativos (por ejemplo, ingresos, etc.).

http://bit.ly/2BN5nvJ

 

Cómo comenzar en Inteligencia Artificial y Machine Learning

Para aquellos de vosotros que estéis interesados ​​en carreras en Inteligencia Artificial y Machine Learning, recomendamos lo siguiente:

- Aprende a escribir CÓDIGO: la codificación es un ejercicio increíble de disciplina y lógica que, cuando se hace de la manera correcta, puede ayudar a tu mente a comprender problemas y soluciones que no hubieras considerado originalmente. Una excelente forma de comenzar sería Python, que es un lenguaje de programación sofisticado y de alto nivel, pero muy práctico para Machine Learning.

- DOMINAR lo que está codificando: algunas personas afirman ser ingenieros de Machine Learning o ingenieros de Inteligencia Artificial porque son capaces de clonar un repositorio git (tomando prestado un fragmento de código que alguien escribió e hizo público) para una tarea específica o sigue una línea de tutoría en línea. Es un gran comienzo, sin embargo, no hay nada más dañino (técnicamente hablando) para una compañía de Inteligencia Artificial que un ingeniero que no entiende lo que está haciendo, codificando y desplegando. Comprender y poseer tu código (tan pequeño como pueda pensar que es) te dará una ventaja increíble y un control sobre tu proyecto de Inteligencia Artificial. No importa si no es el código más "optimizado" al principio, siempre que lo entiendas. Un buen ejercicio sería participar en las competencias de Kaggle o contribuir activamente a un repositorio de github popular. Ambos te darán una validación de la comunidad, que es muy valiosa para las empresas que contratan ingenieros centrados en Machine Learning.

- ENTIENDE lo que estás codificando: Machine Learning es un campo complejo y vasto, que se basa en conceptos matemáticos específicos y enfoques estadísticos. Comprender las matemáticas detrás del código, te dará una ventaja increíble cuando se trata de optimizar un algoritmo, corregir un error o simplemente reconocer un problema y traducirlo en un problema de Inteligencia Artificial. Esto también te ayudará a reunir el conjunto de datos correcto y a poseer su código.

- No inventes problemas para resolver: No es raro ver las startups, especialmente en Silicon Valley, lanzadas porque los fundadores tienen una solución (un algoritmo, un conjunto de datos, etc.) y deciden inventar un problema. Por favor, no hagas eso. La mejor manera de construir y desarrollar con éxito una startup de Inteligencia Artificial es identificar un problema REAL en la vida cotidiana de las personas y luego encontrar una solución que puedas CODIFICAR, DOMINAR y ENTIENDA.

Finalmente, PERSEVERA. Inteligencia Artificial y Machine Learning son campos complicados que requieren mucha disciplina y trabajo. Este es un viaje largo, así que espera. Sé humilde, nunca dudes en hacer preguntas y ayudar a tu comunidad.

http://bit.ly/2BQO3WE

 

Los químicos muestran cómo el sesgo puede surgir en los resultados del algoritmo de Machine Learning

Un equipo de científicos de materiales en el Haverford College ha demostrado cómo el sesgo humano en los datos puede afectar los resultados de los algoritmos de Machine Learning utilizados para predecir nuevos reactivos para su uso en la fabricación de los productos deseados. En su artículo publicado en la revista Nature, el grupo describe la prueba de un algoritmo de Machine Learning con diferentes tipos de conjuntos de datos y lo que encontraron.

Una de las aplicaciones más conocidas de los algoritmos de Machine Learning es el reconocimiento facial. Pero hay posibles problemas con tales algoritmos. Uno de estos problemas ocurre cuando un algoritmo facial destinado a buscar a un individuo entre muchas caras ha sido entrenado con personas de una sola raza. En este nuevo esfuerzo, los investigadores se preguntaron si el sesgo, involuntario o no, podría estar surgiendo en los resultados del algoritmo de Machine Learning utilizados en aplicaciones químicas diseñadas para buscar nuevos productos.

Dichos algoritmos usan datos que describen los ingredientes de las reacciones que resultan en la creación de un nuevo producto. Pero los datos sobre los que se entrena el sistema podrían tener un gran impacto en los resultados. Los investigadores señalan que actualmente, dichos datos se obtienen de los esfuerzos de investigación publicados, lo que significa que generalmente son generados por humanos. Señalan que los datos de tales esfuerzos podrían haber sido generados por los propios investigadores o por otros investigadores que trabajan en esfuerzos separados. Los datos incluso podrían provenir de una sola persona que simplemente se relacionan de memoria, o de la sugerencia de un profesor, o de un estudiante graduado con una idea brillante. El punto es que los datos podrían estar sesgados en términos del fondo del recurso.

http://bit.ly/2PvDSiB

 
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