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.

5 maneras en que los vendedores pueden obtener una ventaja con Machine Learning

Es difícil escapar del zumbido en torno a Machine Learning. Prácticamente todas las industrias están hablando de ello.

Entonces, ¿qué es Machine Learning? De acuerdo con Hewlett Packard, “Machine Learning se refiere al proceso mediante el cual los ordenadores desarrollan el reconocimiento de patrones, o la capacidad de aprender y hacer predicciones de forma continua a partir de los datos, luego hacer ajustes sin estar específicamente programados para hacerlo”. En otras palabras, es una forma para que las máquinas analicen y actúen sobre grandes volúmenes de información y continúen aprendiendo y mejorando con el tiempo.

Para ver un ejemplo de algoritmos de Machine Learning en acción, consideremos el reconocimiento facial, un área que estamos viendo que mejora cada día. Hoy en día, los usuarios de iPhone desbloquean sus teléfonos con sus caras. La policía utiliza el reconocimiento facial para detectar actividades de fraude y atrapar delincuentes. Google Photos permite a los usuarios ordenar las fotos por las personas en ellas. Es posible que estos algoritmos no hayan sido increíblemente precisos en el pasado, pero se han entrenado a lo largo del tiempo con Machine Learning.

Esto no es inteligencia humana, su aprendizaje programado y sus aplicaciones se extienden más allá del reconocimiento facial y en todas las industrias. Tomemos el marketing, por ejemplo. Los profesionales de marketing de hoy se esfuerzan por transmitir un mensaje relevante a sus clientes. Y mientras que los humanos no pueden comunicarse con grandes volúmenes de clientes individualmente a escala, las máquinas sí pueden. ¿No estás seguro de cómo se ve eso en la práctica? En este artículo se explican cinco de los usos clave de Machine Learning para el marketing.

1. Recomendar los productos o contenidos más relevantes.

2. Localizar automáticamente segmentos importantes de clientes.

3. Identificar y actuar sobre posibles problemas.

4. Pase de las pruebas A / B a la entrega de experiencias y ofertas individualmente relevantes.

5. Decida cómo comunicarse con cada persona.

http://bit.ly/2YJxkPi

 

Cómo Machine Learning está acelerando la entrega en la última milla y en el último metro

Si bien gran parte de los esfuerzos de la industria de la logística para acelerar los tiempos de entrega se centran en optimizar las rutas, resulta que no es donde los conductores pasan la mayor parte de su tiempo.

De hecho, hasta el 75% de la jornada laboral se dedica a navegar no en la "última milla", sino en los últimos 100 metros, esperando en los muelles de carga, buscando estacionamiento e interactuando con los clientes, dijo Chazz Sims, director ejecutivo de Wise Systems, una startup con sede en Cambridge, Massachusetts, que ha desarrollado un software autónomo de enrutamiento y despacho.

Añadió Sims, al usar datos y herramientas de Machine Learning, la compañía descubrió que este tipo de tiempo de servicio varía ampliamente según la hora del día, el cliente específico, los productos en cuestión y la persona de entrega. Por ejemplo, ciertas tiendas se ocupan de atender a los clientes en determinados momentos del día, o recibir productos de diferentes camiones de reparto en otros. Al detectar esos patrones y cambiar los horarios, la empresa pudo reducir los tiempos de entrega y los costos.

Las herramientas de Wise Systems ajustan automáticamente las rutas, los conductores y los horarios a lo largo del día en respuesta a otras condiciones de cambio también, como el clima, el tráfico y los muelles de carga revisados. Al analizar los datos de la flota de la compañía cervecera Anheuser-Busch, uno de los principales clientes de la startup, Wise Systems pudo reducir las entregas tardías en un 85% y las millas de flota en un 13%.

El negocio, fundado en 2014, recaudó $7 millones del fondo de Inteligencia Artificial de Google a fines del 2018.

http://bit.ly/2YJzM8r

 

Un modelo de Machine Learning proporciona información detallada sobre las proteínas

La capacidad de una red neuronal artificial para analizar datos de secuencias de proteínas podría aprovecharse para ayudar a informar el desarrollo de proteínas farmacéuticas más específicas y otros fármacos.

Una novedosa 'caja de herramientas' de Machine Learning que puede leer y analizar las secuencias de proteínas se ha descrito en la revista de acceso abierto eLife.

El estudio demuestra que, cuando se entrena para leer datos de secuencia, las redes neuronales artificiales llamadas Máquinas de Boltzmann Restringidas (RBM) pueden proporcionar una gran cantidad de información sobre la estructura, función y características evolutivas de las proteínas. Se cree que es el primer método que puede extraer este nivel de detalle solo a partir de la secuencia de datos.

Las proteínas están formadas por secuencias de moléculas llamadas aminoácidos, que determinan las propiedades estructurales y funcionales de una proteína dada. Pero comprender qué partes de las secuencias son responsables de qué propiedades es un desafío. "Responder a esta pregunta podría tener implicaciones significativas para el desarrollo farmacéutico", explica la coautora Jérôme Tubiana, ex estudiante de doctorado en el Laboratorio de Física en l'École Normale Supérieure (ENS), París, Francia. "Por ejemplo, podría ayudar con el diseño de nuevas proteínas que tengan funciones deseadas, o con la predicción de la evolución futura de la secuencia de proteínas en organismos vivos, como los patógenos, y la identificación de objetivos farmacológicos apropiados".

Para explorar esta pregunta, Tubiana y sus colaboradores aplicaron la RBM a 20 "familias" de proteínas, un grupo de proteínas que comparten un origen evolutivo común. Los investigadores presentaron resultados detallados para cuatro familias de proteínas, que incluyen dos dominios de proteína cortos llamados Kunitz y WW, una proteína larga de acompañamiento llamada Hsp70 y proteínas de celosía sintética para la evaluación comparativa.

http://bit.ly/2uf9bSH

 
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