Machine Learning España #191114

En Machine Learning España (ES) encontrarás las principales noticias y ejemplos para conocer las tecnologías y aplicaciones de Machine Learning y Deep Learning.

De una manera fácil, simple y gratis, podrás aprender los últimos avances en las técnicas, librerías y algoritmos más utilizados. Se incluyen diferentes métodos y tutoriales para utilizar Pyhton, Tensorflow y otras tecnologías y herramientas de software en el campo del aprendizaje profundo (Deep Learning).

Este brazo protésico combina control manual con Machine Learning

Las prótesis mejoran cada año, pero la fuerza y ​​la precisión que obtienen no siempre se traducen en un uso más fácil o más efectivo, ya que los amputados solo tienen un nivel básico de control sobre ellas. Una vía prometedora que están investigando los investigadores suizos es hacer que una Inteligencia Artificial se haga cargo del control manual.

Para visualizar el problema, imagine a una persona con el brazo amputado por encima del codo que controla una extremidad protésica inteligente. Con sensores colocados en los músculos restantes y otras señales, pueden levantar su brazo con bastante facilidad y dirigirlo a una posición donde puedan agarrar un objeto sobre una mesa.

¿Pero qué pasa después? Los muchos músculos y tendones que habrían controlado los dedos se han ido, y con ellos la capacidad de sentir exactamente cómo el usuario quiere flexionar o extender sus dedos artificiales. Si todo lo que el usuario puede hacer es señalar un “agarre” o “liberación” genérico, eso pierde en gran medida lo que una mano es realmente buena para hacer.

Aquí es donde los investigadores de la École polytechnique fédérale de Lausanne (EPFL) se hacen cargo. Estar limitado a decirle a la mano que agarre o suelte no es un problema si la mano sabe qué hacer a continuación, algo así como cómo nuestras manos naturales encuentran "automáticamente" el mejor agarre para un objeto sin que tengamos que pensarlo. Los investigadores de robótica han estado trabajando en la detección automática de métodos de agarre durante mucho tiempo, y es una combinación perfecta para esta situación.

https://tcrn.ch/2JrIgv6

 

Explore el mundo de la bioinformática con Machine Learning

La bioinformática es un campo de estudio que utiliza la computación para extraer conocimiento de datos biológicos. Incluye la recolección, almacenamiento, recuperación, manipulación y modelado de datos para análisis, visualización o predicción a través del desarrollo de algoritmos y software.

Podemos citarlo de una manera más simple: "La bioinformática trata con enfoques computacionales y matemáticos para comprender y procesar datos biológicos".

Es un campo interdisciplinario en el que se desarrollan nuevos métodos computacionales para analizar datos biológicos y hacer descubrimientos biológicos. Por ejemplo, dos tareas típicas en genética y genómica son los procesos de secuenciación y anotación del conjunto completo de ADN de un organismo. En neurociencias, las técnicas de neuroimagen, como la tomografía computarizada (CT), la tomografía por emisión de positrones (PET), la resonancia magnética funcional (fMRI) y la imagen del tensor de difusión (DTI), se utilizan para estudiar los cerebros in vivo y comprender el funcionamiento interno del sistema nervioso

La aplicación de Machine Learning a datos biológicos y de neuroimagen abre nuevas fronteras para la ingeniería biomédica: mejorar nuestra comprensión de enfermedades complejas como el cáncer o los trastornos neurodegenerativos y psiquiátricos. Los avances en este campo pueden conducir finalmente al desarrollo de herramientas de diagnóstico automatizadas y de medicina de precisión, que consiste en enfocarse en tratamientos médicos personalizados considerando la variabilidad individual, el estilo de vida y el medio ambiente.

http://bit.ly/2qLxb1h

 

Los nuevos algoritmos del experimento del solenoide de muón compacto utilizan las ideas utilizadas en el reconocimiento facial de teléfonos móviles para comprender mejor las colisiones en el Gran Colisionador de Hadrones (LHC)

Uno de los desafíos más emocionantes en el Gran Colisionador de Hadrones (LHC) es la identificación de nuestros eventos. Debemos reconstruir las partículas que viven durante una pequeña fracción de segundo observando la detección de sus productos de descomposición. Estos productos de descomposición a menudo producen aerosoles o “chorros” de partículas. Si la partícula original tiene un gran impulso, los chorros que se originan de sus productos de descomposición se fusionarán. Para realizar nuestros análisis, es necesario identificar qué tipo de partícula (bosones de Higgs, bosones W/Z, quarks, gluones, etc.) crearon los chorros en nuestro evento.

Esto es muy similar al reconocimiento facial. Quizás tu tablet pueda reconocer tu rostro para desbloquearse, lo que funciona mediante el uso de programas informáticos avanzados que implementan "Machine Learning" para extraer funciones de su rostro. Cuando compras tu tableta por primera vez, activas un modo especial de "entrenamiento" para enseñarle cómo se ve tu cara. Esto funciona al extraer automáticamente las características de tu cara y luego pasarlas a los algoritmos de toma de decisiones para determinar de dónde provienen.

Podemos usar las mismas técnicas de Machine Learning para identificar los orígenes de los jets. Por ejemplo, podemos observar las mediciones de energía y dirección de las partículas dentro de un chorro y proyectarlo en dos dimensiones para que se vea como una imagen normal. Los mismos algoritmos que pueden diferenciar entre dos caras diferentes también pueden diferenciar entre diferentes tipos de chorros. Un ejemplo particularmente útil es cuántos "puntos calientes" existen dentro del chorro. Resulta que las partículas más pesadas (como los bosones de Higgs o los quarks superiores) tendrán múltiples "puntos calientes", mientras que las partículas más ligeras (como los quarks o los gluones) tienden a tener solo una. Finalmente superponemos muchos eventos para mostrar características que son difíciles de ver en un solo evento.

http://bit.ly/2q0xWDk

 
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