Machine Learning Tarragona #190322

22/03/2019


machine-learning-tarragona-190322

Machine Learning Tarragona es el resumen principal de noticias de Machine Learning (Aprendizaje Automático) y Deep Learning (Aprendizaje Profundo) para el área de Tarragona, España.

Los principales desarrollos 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 el área de Tarragona, España.


Encontrar defectos en chips con Machine Learning


Los fabricantes de chips están utilizando más tipos de herramientas tradicionales y diferentes que nunca para encontrar defectos fatales en chips avanzados, pero también están recurriendo a soluciones complementarias como formas avanzadas de Machine Learning para ayudar a resolver el problema.

Un subconjunto de Inteligencia Artificial (IA), Machine Learning, se ha utilizado en informática y otros campos durante décadas. De hecho, las primeras formas de Machine Learning se han utilizado en metrología e inspección en fábricas desde la década de 1990 para detectar defectos en los chips e incluso predecir problemas mediante el uso de técnicas de combinación de patrones. Machine Learning no es un tipo de herramienta o equipo en sí mismo, sino un conjunto de algoritmos de software utilizados por el sistema para ayudar a encontrar defectos. Ahora la industria está explorando o comenzando a usar sistemas con algoritmos de Machine Learning más avanzados basados ​​en conjuntos de datos más grandes. Esto, a su vez, supuestamente acelera los ciclos de aprendizaje.

Esto no reemplazará los métodos tradicionales, al menos en el corto plazo. Hasta ahora, las formas más avanzadas de Machine Learning no se implementan ampliamente a lo largo de las fábricas, y quedan algunas brechas. Pero la industria está progresando mientras se esfuerza por resolver los enormes desafíos en la detección de defectos.

En las fábricas de hoy, los fabricantes de chips utilizan diversos sistemas de inspección y metrología para encontrar defectos en los chips. La inspección es la ciencia de encontrar defectos, mientras que la metrología es el arte de medir estructuras. Ambas tecnologías se utilizan para localizar problemas en los dispositivos y ayudan a garantizar los rendimientos en la fábrica.

Aún así, en cada nodo, los dispositivos y las estructuras son cada vez más pequeños. En algunos casos, las estructuras están muy por debajo de 1 ángstrom, que es igual a 0.1nm. Encontrar defectos a esa escala es mucho más difícil y costoso.

http://bit.ly/2XVp8uU

 

Usando Machine Learning para mejorar el pronóstico del clima subestacional


El profesor de biología Ernest Fraenkel y el científico visitante Judah Cohen ganan el concurso de pronóstico de clima subestacional.

Judah Cohen, director de pronóstico estacional en AER (Atmospheric and Environmental Research) y científico visitante en el Departamento de Ingeniería Civil y Ambiental del MIT, y Ernest Fraenkel, profesor de ingeniería biológica en el MIT, obtuvieron el primer lugar en tres de las cuatro categorías de pronóstico de temperatura en la competencia de Pronóstico del Clima Subestacional, organizada por la Administración Nacional Oceánica y Atmosférica y patrocinada por la Oficina de Reclamación de los Estados Unidos.

Los investigadores del MIT, a los que se unieron los estudiantes de doctorado de la Universidad de Stanford Jessica Hwang y Paulo Orenstein y el investigador de Microsoft Lester Mackey, superaron el modelo operacional de pronóstico a largo plazo utilizado por el gobierno de los Estados Unidos.

Para ser elegibles para la competencia, los equipos debían presentar sus predicciones climáticas cada dos semanas entre el 17 de abril de 2017 y el 18 de abril de 2018. El objetivo era crear un modelo en el que el oeste de los Estados Unidos pudiera confiar semanas en adelante para ayudar a administrar los recursos hídricos y prepararse para los incendios forestales y la sequía.

La competencia requirió que los modelos alcanzaran una habilidad promedio más alta en todos los pronósticos competitivos, y dos puntos de referencia presentados por el Gobierno de los Estados Unidos, que son versiones imparciales del Sistema de Pronóstico del Clima de los Estados Unidos basado en la física. Los modelos también tuvieron que lograr una persistencia amortiguada (lo que indica que los datos que está contribuyendo aumentan el efecto correlativo a lo largo del tiempo).

http://bit.ly/2CrswEZ

 

Joven inventor diseña un escáner de alergia no invasiva utilizando la genética y Machine Learning


Ayush Alag, de 17 años, es uno de los 40 finalistas en la búsqueda de talentos de Regeneron Science.

Uno de los primeros recuerdos de Ayush Alag es el de morder una barra de chocolate con anacardos y sentir repentinamente que la garganta le pica.

Durante la mayor parte de su infancia, este residente de Santa Clara, California, evitó comer cualquier cosa con anacardos y otras nueces que causaron la irritación lo mejor que pudo. En sus años de escuela, él y sus padres querían estar seguros: ¿tenía una alergia alimentaria grave, como 32 millones de estadounidenses, o solo era una sensibilidad a la comida? Buscaron la ayuda de un alergólogo, Joseph Hernández, de la Universidad de Stanford.

Hernández les dijo que la diferencia entre una alergia y una sensibilidad a los alimentos es enorme. En el caso de la sensibilidad a los alimentos, una persona puede introducir poco a poco los alimentos que provocan reacciones en su dieta de forma gradual para desarrollar la inmunidad. Sin embargo, si eres alérgico, hacerlo podría causar la muerte.

Hernández recomendó que Alag tomara por primera vez un análisis de sangre y un examen de la piel, ambas medidas típicas para determinar las alergias, pero esos resultados no fueron concluyentes, lo cual fue frustrante para Alag cuando supo que comer ciertos alimentos lo enfermaba. Las pruebas de sangre y piel son hipersensibles y producen falsos positivos casi del 50 al 60 por ciento de las veces, según la organización sin fines de lucro Food Allergy Research & Education con sede en McLean, Virginia. La única forma de saber realmente si era o no alérgico era hacer un desafío oral con la comida, una experiencia que puede ser estresante y, en ocasiones, traumática para el paciente. Durante un desafío oral de comida, el paciente come tres pequeñas cantidades del alérgeno sospechoso en el transcurso de una hora bajo la supervisión de un médico y una enfermera. Luego se observa al paciente durante cuatro horas después de la última dosis para ver si aparecen síntomas.

El proceso no sólo requiere mucho tiempo para un proveedor médico, sino que también posee un riego muy alto, especialmente para los niños. Si se produce una reacción grave, el niño deberá ser trasladado a la sala de emergencias lo antes posible. Las alergias a los alimentos afectan aproximadamente al ocho por ciento de los niños, y en décadas del desafío oral con la comida siendo un estándar de la industria, solo se ha reportado una muerte. En 2017, un niño de tres años murió durante un desafío orla de rutina, sorprendiendo a la comunidad de investigación de alergias. http://bit.ly/2udPVoH

 
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/machinelearningtarragona

#machinelearning #deeplearning #tarragona

 

Artículos relacionados

0 comentarios