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 pasos para preparar correctamente sus datos para su modelo de Machine Learning

La forma más sencilla de describir cualquier proyecto de Machine Learning es que se trata de un programa que, cuando se le proporcionan datos que no se han visto antes, los procesará en función de la experiencia anterior y te dirá algo que aún no sabías.

Los datos son el núcleo de casi todas las decisiones comerciales tomadas. Los directores de recursos humanos están recopilando datos de recursos en línea para determinar las mejores personas para reclutar y confirmar detalles sobre ellos. Los departamentos de marketing están buscando en los datos de segmentación del mercado para encontrar consumidores que estén listos para comprar, lo que acelera el proceso de cierre de ventas siempre que sea posible. Los ejecutivos de negocios deben examinar las tendencias más grandes en el mercado, como los cambios en los precios de los recursos, el envío o la fabricación.

Tu proyecto es tan poderoso como los datos que traes.

Paso 1: Recopilación de los datos.
La elección de los datos depende completamente del problema que intentas resolver. Elegir los datos correctos debe ser tu objetivo. Afortunadamente, casi todos los temas en los que puedes pensar tienen varios conjuntos de datos públicos y gratuitos.

Paso 2: Manejo de datos faltantes
Este es uno de los pasos más difíciles y el que probablemente te tomará más tiempo, a menos que tengas suerte con un conjunto de datos perfecto y completo, que rara vez es el caso. El manejo incorrecto de los datos faltantes puede causar desastres.

Paso 3: llevar tus datos más lejos con la extracción de características
La extracción de características puede ser un punto de inflexión. Es lo que hace que un conjunto de datos sea único. Obtener una visión al hacer relaciones entre características es una característica creativa sobresaliente.

Paso 4: decidir qué factores clave son importantes
Esto es complicado. Originalmente, este debería ser el trabajo del modelo. Simplemente puede descargar todo el conjunto de datos que tiene y dejar que la Inteligencia Artificial sea inteligente. La Inteligencia Artificial puede decidir qué características realmente afectan la salida y cuáles no.

Paso 5: dividir los datos en conjuntos de entrenamiento y pruebas
La famosa regla de dividir los datos es 80%-20% para los conjuntos de prueba y entrenamiento, respectivamente. A veces, ese 20% para el conjunto de pruebas debe diseñarse de manera que no se eliminen al azar del conjunto de datos.

http://bit.ly/2ZxM4Bb

 

TranslateMe abre una instalación de GPU para Machine Learning

TranslateMe ha publicado su última actualización, destacando el progreso realizado en los meses previos a marzo de 2019. TranslateMe es un proyecto basado en una cadena de bloques (blockchain) NEO que utiliza contribuciones humanas y Machine Learning para crear servicios de traducción en tiempo real.


Aplicación de telegramas

TranslateMe reportó comentarios positivos sobre su aplicación web Telegram de prueba de concepto. Se dice que la aplicación, que traduce los chats en vivo en Telegram a un idioma que eligen los usuarios, ha sido probada por más de un centenar de usuarios que ayudan con el descubrimiento de errores.

Se introdujo una función de recompensas para incentivar a los usuarios con tokens TMN a cambio de la presentación de correcciones de traducción. Las correcciones ayudan a mejorar el algoritmo de Machine Learning utilizado para la traducción, que tiene el objetivo de alcanzar una precisión del 99.9%.

También se agregó soporte para los idiomas francés, japonés, ruso, chino, alemán, coreano, holandés, portugués, hindi, español y árabe.


Aplicación de Android

Se informa que la aplicación de Android TranslateMe está en desarrollo, con un lanzamiento previsto para marzo de 2019 en Google Play Store.

Una vez publicada, la aplicación se convertirá en la aplicación principal de TranslateMe, incluidas otras aplicaciones de chat, herramientas y un panel de recompensas. El equipo espera que la aplicación fomente la conciencia del proyecto dentro de la comunidad de criptomonedas.

TranslateMe señala que la oferta principal de su aplicación será de uso gratuito, con opciones premium disponibles para su compra utilizando el token de TMN  o, posiblemente, NEO.


Instalación de GPU para Machine Learning

TranslateMe afirma que en febrero de 2019 recibió fondos suficientes para configurar su instalación de Machine Learning de GPU. La instalación consta de 10 plataformas de minería, reconfiguradas para Machine Learning, cuyo objetivo es actuar como la columna vertebral de la red TranslateMe. Las máquinas realizarán las tareas necesarias para ofrecer traducciones y puntos finales de API para usos internos y comerciales.

Se afirma que el lanzamiento de su proyecto de Machine Learning fue posible gracias a las contribuciones conjuntas de los partidarios de la TMN y las inversiones fundadoras en el proyecto.

http://bit.ly/2CqXZXz

 

Los 7 mejores libros de Machine Learning (parte 2)

Este artículo es la segunda parte de la serie de libros de Machine Learning y contendrá los 4 mejores libros. Puedes leer el primer artículo de la serie en el blog.

4. Los elementos del aprendizaje estadístico.
El objetivo del libro es explicar el uso de Machine Learning en diversos campos como la medicina, la biología, las finanzas y el marketing.

3. Redes neuronales y aprendizaje profundo.
El objetivo del libro es tomar en forma lúcida el modelo de programación de inspiración biológica, es decir, la red neuronal, que permite al ordenador aprender por sí mismo a partir de los datos observados, hace de este libro electrónico una opción perfecta para los principiantes. Michael Nielsen ofrece un poderoso conjunto de técnicas para aprender en redes neuronales con el fin de simplificar Deep Learning.

2. Machine Learning con Scikit-Learn y Tensor Flow
El objetivo del libro es desarrollar el interés del lector a través de la vida real. Aparte de los ejemplos, este libro presenta varios modelos de capacitación sobre temas como máquinas vectoriales (vector machines), árboles de decisión (decision trees), bosques aleatorios (random forest) y métodos de conjunto para practicar lo que uno aprende. El uso de una biblioteca de Tensorflow es una excelente manera de construir y entrenar redes neuronales.

1. The Hundred Page - Libro de Machine Learning
El objetivo del libro es dar al lector la mayor cantidad de detalles posibles en solo cien páginas. Dada la complejidad del tema, Burkov definitivamente ha hecho un trabajo maravilloso, ya que los lectores son capaces de comprender el concepto general de este campo.

http://bit.ly/2Zx3wpE

 
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