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.

Los pods de TPU V2 y V3 de Google Cloud ahora están disponibles públicamente en versión beta

Recientemente, Google anunció que sus Pods de unidades de procesamiento de tensores  en la nube (TPU) de segunda y tercera generación ahora están disponibles públicamente en versión beta. Estos módulos permiten que los superordenadores escalables basados ​​en la nube de Google con hasta 1,000 de sus TPU personalizados sean consumibles públicamente, lo que permite a los investigadores, ingenieros y científicos de datos de Machine Learning (ML) acelerar el tiempo necesario para entrenar e implementar modelos de Machine Learning.

Google anunció los TPU personalizados de primera generación en el evento Google I/O en 2016 y comenzó a ofrecerles acceso como un servicio en la nube para los clientes. Su continuación, el TPU de segunda generación, hizo su debut en 2017, y el TPU v3 refrigerado por líquido se presentó en la conferencia I/O de Google el año pasado. Hasta el Google I/O 2019, TPU v2 y el TPU v3 estaban disponibles públicamente como dispositivos individuales en Google Cloud. Ahora, el hardware TPU v2 y TPU v3 vienen como sistemas interconectados robustos llamados Cloud TPU Pods.

Un solo Cloud TPU Pod puede tener más de 1,000 chips TPU individuales que están conectados por una red de malla toroidal bidimensional ultra rápida. La pila de software TPU utiliza esta red de malla para permitir que muchos racks de máquinas se programen como un único y gigante superordenador de Machine Learning a través de una variedad de API flexibles y de alto nivel.

http://bit.ly/31nOXpm

 

Mercado mundial de plataformas de Machine Learning y de Ciencia de Datos 2019: Futuro de la Industria, crecimiento, tamaño, análisis y pronóstico para 2024

El estudio de investigación de mercado titulado Global Data Science y Machine Learning Platforms Market 2019 por fabricantes, regiones, tipo y aplicación, Pronóstico para 2024 describe las divisiones de empresa, el alcance del negocio, el mercado actual y el pronóstico futuro, y los actores clave. El informe muestra estimaciones cualitativas y cuantitativas realizadas por los analistas de la industria. También ofrece un extenso análisis de la cuota de mercado, las últimas tendencias de la industria, así como datos de previsión sobre los ingresos por ventas, el crecimiento del mercado y el escenario de demanda y oferta. En este informe, se ofrece un análisis exhaustivo de los patrones de desarrollo de la industria, los impulsores, las oportunidades de restricción, los desafíos, el riesgo de mercado y los factores desde 2019 hasta 2024.

El mercado de las plataformas Data Science y Machine-Learning Platform está bien segmentado por los principales fabricantes, usuarios finales y su aplicación, junto con datos como el tamaño y previsión del mercado, los ingresos, los precios, las ventas, el margen bruto y el importante perfil del consumidor. Las empresas clave que operan en el mercado, dirigidas al lanzamiento de nuevos productos, están realizando esfuerzos agresivos y se centran en las fusiones y adquisiciones. Las estrategias de crecimiento adoptadas por estas empresas se estudian en detalle en el informe. El informe presenta la situación de competencia en el mercado entre los proveedores clave y el perfil de la empresa y luego cubre el análisis de precios de mercado y las características de la cadena de valor. El proceso de producción se analiza con respecto a diversos aspectos de la distribución de la planta de fabricación, la capacidad, la producción comercial, el estado de I+D, la fuente de materia prima y la fuente de tecnología.

El informe de mercado estudia los análisis de mercado global e investiga los pronósticos de las plataformas de Ciencia de datos y Machine Learning en América del Norte (Estados Unidos, Canadá y México), Europa (Alemania, Francia, Reino Unido, Rusia e Italia), Asia-Pacífico (China, Japón, Corea, India y el sudeste asiático), Sudamérica (Brasil, Argentina, Colombia, etc.), Oriente Medio y África (Arabia Saudita, Emiratos Árabes Unidos, Egipto, Nigeria y Sudáfrica). Este informe se centra en los principales jugadores en el mercado global.

http://bit.ly/2K9iygT

 

Tres fallos clave en Machine Learning

La mayoría de los métodos estadísticos empleados en los enfoques de Machine Learning se conocen desde hace décadas, o incluso siglos, en el caso de los enfoques bayesianos. La explosión del término Machine Learning tiene que ver con la tecnología y la forma en que nos permite aplicar estos enfoques a grandes conjuntos de datos de manera que los recursos de cómputo que antes se tornaban difíciles o totalmente imposibles.

Sin embargo, la mitología persiste. Hay muchos por ahí que creen, o se les hace creer, que un proyecto de Machine Learning puede realizar algún tipo de magia ultramoderna que desafiará todos los enfoques humanos del mismo problema. Esto es peligroso, porque puede significar que las personas o los equipos se embarquen en esfuerzos que consumen muchos recursos y tiempo basándose en la creencia de que se producirá algún tipo de magia, y sin el pensamiento crítico y el juicio humano apropiados.


AJUSTE POBRE DE OBJETIVOS
Es esencial conocer y aclarar el propósito de un proyecto de Machine Learning. O estás construyendo tu modelo para explicar algo o lo estás construyendo para predecir algo. La mayoría de las veces, un modelo que es mejor para explicar un fenómeno no es óptimo para predecirlo. Además, los modelos que predicen algo realmente bien a menudo tienen características que son realmente obvias y constituyen una gran parte del poder predictivo, por lo que no les da grandes poderes explicativos.


DISEÑO EXPERIMENTAL POBRE
Imagine que está trabajando para una compañía de ventas y desea construir un modelo para explicar qué impulsa las ventas exitosas de los representantes de vetnas. Una de las cosas que ya sabe y ha sabido desde siempre es que los representantes realizan ventas más exitosas a los clientes existentes que a los nuevos.


POBRE PLANIFICACIÓN PRÁCTICA
Ya sea que se esté embarcando en el Machine Learning con fines explicativos o predictivos, pocos piensan en las consecuencias del éxito.
Si construye un modelo que puede ayudar a diagnosticar las razones del ausentismo en la fuerza laboral, o uno que pueda predecir problemas de fabricación, o lo que sea, debe poder implementarlo de manera práctica. Esto es cuando descubre que algunas de las fuentes de datos utilizadas en el modelo se extrajeron de archivos que requieren una manipulación manual masiva. O descubre que algunas de las entradas se imputaron basándose en datos faltantes.

http://bit.ly/2wt986N

 
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