Machine Learning Tarragona #190911

11/09/2019


machine-learning-tarragona-190911

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.


Ingeniería de software para Machine Learning: un estudio de caso


Anteriormente analizamos la difusión de Machine Learning a través de Facebook y Google y algunas de las lecciones aprendidas junto con los procesos y las herramientas para abordar los desafíos que surgen. Hoy es el turno de Microsoft. Más específicamente, analizaremos los resultados de un estudio interno con más de 500 participantes diseñados para descubrir cómo está cambiando el desarrollo de productos y la ingeniería de software en Microsoft con el aumento de la Inteligencia Artificial y Machine Learning.

Una lista de áreas de aplicación incluye búsqueda, publicidad, traducción automática, predicción de compras de clientes, reconocimiento de voz, reconocimiento de imágenes, identificación de clientes potenciales, asesoramiento de diseño para presentaciones y documentos de procesamiento de textos, creación de características de dibujo únicas, atención médica, mejora de la jugabilidad, pronóstico de ventas, optimización de decisiones, informes de incidentes, análisis de errores, detección de fraudes y monitoreo de seguridad.

Como puede imaginar, estos están respaldados por una amplia variedad de diferentes modelos de Machine Learning. Los equipos que realizan el trabajo también varían en su composición, algunos contienen científicos de datos con muchos años de experiencia y otros recién comienzan. De una manera que recuerda mucho el modelo de evolución de la experimentación en línea en Microsoft que vimos anteriormente, Ciencia de Datos pasa de una habilidad especializada a una capacidad profundamente integrada a lo largo del tiempo:

Algunos equipos de software emplean científicos de datos de Polymath, que "lo hacen todo", pero a medida que Ciencia de Datos necesita escalar, sus roles se especializan en expertos en dominios que entienden profundamente los problemas comerciales, modeladores que desarrollan modelos predictivos y constructores de plataformas que crean la infraestructura basada en la nube.

Para ayudar a difundir estas habilidades a través de la empresa, se utilizan una variedad de tácticas: una conferencia interna dos veces al año sobre Machine Learning y Ciencia de Datos dedica al menos un día a los conceptos básicos de tecnologías, algoritmos y mejores prácticas; se realizan charlas internas durante todo el año sobre detalles de ingeniería detrás de proyectos y avances de vanguardia de conferencias académicas; varios equipos organizan foros abiertos semanales sobre Machine Learning y Deep Learning; y hay listas de correo y foros en línea con miles de participantes.

Se envió una encuesta informada por conversaciones con 14 líderes de Machine Learning experimentados dentro de Microsoft a 4195 miembros de esas listas de correo internas, obteniendo 551 respuestas. Los encuestados estaban bien distribuidos en datos y ciencias aplicadas (42%), ingeniería de software (32%), gestión de programas (17%), investigación (7%) y otros (1%). El 21% de los encuestados eran gerentes y el resto eran contribuyentes individuales.

http://bit.ly/2ZbSHfv

 

Medidas de proximidad en minería de datos y Machine Learning


El término proximidad entre dos objetos es una función de la proximidad entre los atributos correspondientes de los dos objetos. Las medidas de proximidad se refieren a las medidas de Similitud y Disimilitud. La similitud y la disimilitud son importantes porque son utilizadas por una serie de técnicas de minería de datos, como la agrupación, la clasificación del vecino más cercano (KNN) y la detección de anomalías.

Comenzaremos la discusión con definiciones de alto nivel y exploraremos cómo están relacionadas. Luego, avanzamos para hablar de proximidad en dos objetos de datos con un atributo simple y pasar a objetos con múltiples atributos.

¿Qué es la similitud?
- Es una medida numérica del grado en que los dos objetos son iguales.
- Mayor para un par de objetos que son más parecidos.
- Generalmente no negativo y entre 0 y 1.

¿Qué es la disimilitud?
- Es una medida numérica del grado en que los dos objetos son diferentes.
- Baja para un par de objetos que son más similares.
- Rango 0 al infinito.

Función de transformación
Es una función utilizada para convertir similitudes en diferencias y viceversa, o para transformar una medida de proximidad en un rango particular.

http://bit.ly/2ZLaKdd

 

Optimización del precio del combustible en un entorno minorista conveniente con Inteligencia Artificial y Machine Learning


En los Estados Unidos, los minoristas de conveniencia venden aproximadamente el 80 por ciento de todo el combustible, lo que representa en promedio el 69.9 por ciento de los ingresos totales de un minorista de conveniencia. Con tanta influencia en los márgenes de venta de combustible, es fundamental que los operadores obtengan los precios de combustible correctos. Afortunadamente, la automatización, la Inteligencia Artificial y Machine Learning pueden ayudar a los minoristas de conveniencia a optimizar este aspecto central de su negocio.

Una perspectiva histórica
Los precios minoristas de los combustibles se han establecido tradicionalmente en función de los mejores datos disponibles. Hace décadas, eso significaba considerar el costo mayorista del combustible y las tarifas que ofrecían los competidores inmediatos de los minoristas. Establecer un margen de beneficio deseado y determinar lo que los consumidores estaban dispuestos a pagar también han sido consideraciones clave. Estos puntos de datos todavía están en el centro de las estrategias de fijación de precios de combustible, pero tres cosas han cambiado significativamente: ahora hay muchos más puntos de datos a considerar, la información está disponible en tiempo real o casi real, y muy poco de este proceso debe ser hecho manualmente

Los minoristas de conveniencia de hoy en día no tienen que administrar sus precios de combustible con base en márgenes estáticos o desplazarse para verificar los precios publicados por galón de la competencia. En cambio, las herramientas de precios automatizadas (algunas más sofisticadas que otras) están disponibles, lo que permite a los operadores de tiendas minoristas de conveniencia modificar el precio al que ofrecen un galón de combustible hasta 20 veces al día, dinámicamente y sin la necesidad de entradas manuales.

http://bit.ly/2A4BzK9

 
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