Machine Learning España #191203

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).

El equipo de química aprovecha la 'Revolución de los datos' para resolver los problemas actuales en química

Matthew Sigman, distinguido profesor y presidente del departamento de química de la Universidad de Utah, es parte de una vanguardia de investigadores que resuelven problemas en química utilizando Ciencia de Datos y Machine Learning.

Sigman es parte de un equipo apoyado por la National Science Foundation que abarca cinco universidades encargadas de crear una nueva generación de químicos de datos a través de su Centro de Síntesis Asistida por Computadora (C-CAS). Además de Sigman, el equipo de C-CAS incluye al director del centro, Olaf Wiest, así como a Robert Paton, Nitesh Chawla, Abigail Doyle y Richmond Sarpong.

C-CAS combina Ciencia de Datos y Machine Learning con la química para transformar cómo se planifica y ejecuta la síntesis de moléculas orgánicas complejas. Como resultado, una nueva generación de químicos de datos y académicos de Machine Learning pueden ser entrenados y educados para abordar los complejos desafíos de la química sintética moderna.

"Estamos entusiasmados de trabajar con este equipo para crear flujos de trabajo utilizando Machine Learning para predecir cómo funcionarán las reacciones químicas", dijo Sigman. "Nuestro objetivo es convertir la química sintética de una ciencia principalmente empírica a usar herramientas de Ciencia de Datos para facilitar y agilizar el desarrollo de la química".

http://bit.ly/2Juj8DT

 

6 tendencias emergentes de Inteligencia Artificial y Machine Learning para observar en 2020

Esta noticia no debería sorprenderte: el mercado de soluciones de Inteligencia Artificial continúa creciendo a un ritmo acelerado y representa decenas de miles de millones de dólares en ingresos.

Caso en cuestión: un informe de la firma de investigación IDC en septiembre dijo que el gasto global para sistemas de Inteligencia Artificial alcanzará los $ 97.9 mil millones en 2023, un aumento asombroso de los $ 37.5 mil millones proyectados que se gastarán este año. Eso significa que la tasa de crecimiento anual será del 28,4 por ciento en los próximos años.

Esto significa que 2020 será un año crítico para establecer el tono para la próxima década de innovaciones en el espacio de Inteligencia Artificial y continuar con el impulso existente. Pero, ¿qué significa eso para las organizaciones que venden y compran soluciones de Inteligencia Artificial? ¿En qué áreas deberían invertir?

Lo que sigue son seis tendencias emergentes de Inteligencia Artificial y Machine Learning que las organizaciones deben observar y considerar para sus propias estrategias en 2020.

- Inteligencia Artificial explicable
- Inteligencia Artificial autónoma
- Seguridad Inteligencia Artificial
- Inteligencia Artificial conversacional
- Infraestructura Inteligencia Artificial
- Machine Learning clásico seguirá siendo importante http://bit.ly/2OqGETZ

 

6 elementos esenciales para combatir el fraude con Machine Learning

Lo escuchamos todo el tiempo: la prevención del fraude es difícil porque los estafadores cambian y se adaptan continuamente. En el momento en que descubres cómo reconocer y prevenir una estafa, emerge una nueva para tomar su lugar.

Naturalmente, entonces, la mejor tecnología para combatir el fraude es aquella que puede cambiar y adaptarse tan rápido como las tácticas del estafador. Eso es lo que hace que los sistemas de Machine Learning (ML) sean perfectos para combatir el fraude. Cuando se diseñan de manera óptima, aprenden, adaptan y descubren patrones emergentes sin la sobreadaptación que puede dar lugar a demasiados falsos positivos.

Tradicionalmente, las organizaciones se han basado en sistemas basados ​​en reglas para detectar el fraude. Las reglas emplean lógica si-entonces que puede ser exhaustiva para descubrir patrones conocidos de fraude. Y aunque las reglas siguen siendo una herramienta importante para combatir el fraude, especialmente en combinación con enfoques avanzados, se limitan a reconocer patrones que ya conoce y puede programar en la lógica. No son eficaces para adaptarse a los nuevos patrones de fraude, descubrir esquemas desconocidos o identificar técnicas de fraude cada vez más sofisticadas.

Es por eso que cada vez más industrias están adoptando ML e Inteligencia Artificial para la detección de fraudes. Una investigación reciente realizada por SAS y la Asociación de Examinadores de Fraude Certificados, encontró que solo el 13% de las organizaciones en todas las industrias aprovechan estas tecnologías para detectar y disuadir el fraude. Otro 25% planea incorporarlos a sus programas antifraude en los próximos dos años, un salto cercano al 200%.

http://bit.ly/2Y8gzgL

 
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