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.

Machine Learning revela una rápida clasificación de los materiales

Un equipo de investigación de la Universidad de Tokio ha desarrollado un potente algoritmo de Machine Learning que predice las propiedades y estructuras de muestras desconocidas de un espectro de electrones. Este proceso puede acelerar rápidamente el proceso de descubrir y probar nuevas nanomáquinas, celdas solares y otros dispositivos electrónicos.

Los Tricorders son dispositivos ficticios vistos por primera vez en el programa de televisión y películas de Star Trek. En este entorno de ciencia ficción, los científicos podrían aprender instantáneamente acerca de las rocas en planetas alienígenas con un escaneo rápido. Los investigadores de la Universidad de Tokio han dado un paso hacia la realización de este concepto. Utilizaron datos de la espectroscopia electrónica de pérdida de núcleo, un conjunto de pruebas de laboratorio estándar que envían electrones a una muestra para determinar los elementos atómicos en ella y su estructura de enlace. Sin embargo, los resultados de estos instrumentos son difíciles de interpretar. Para superar este problema, recurrieron a Machine Learning. A diferencia de los programas de ordenador convencionales, los algoritmos de Machine Learning no necesitan que se les diga qué patrones buscar. En cambio, los algoritmos se entrenan ingresando muchos ejemplos, y con el tiempo el sistema aprende a clasificar nuevas muestras desconocidas.

Aquí, los investigadores eligieron una red neuronal que imita la organización del cerebro humano. Los datos de materiales conocidos se envían como entrada y las conexiones entre las neuronas se ajustan para optimizar las predicciones del modelo. Según el autor Shin Kiyohara, "con la creciente demanda de dispositivos a nanoescala, las herramientas para comprender las estructuras moleculares son cada vez más valiosas".

Aunque aún está muy lejos de un tricorder que puede identificar instantáneamente formaciones de roca extraterrestre, el autor Teruyasu Mizoguchi, cree que "este método tiene un enorme potencial de uso para probar rápidamente las propiedades de los nuevos materiales".

http://bit.ly/2YJZYA6

 

FogHorn le permite a los integradores de sistemas construir aplicaciones de Machine Learning en línea para Android

Keith Higgins, vicepresidente de mercadeo de FogHorn, dice que Lightning Mobile brindará muchas oportunidades de margen para los integradores de sistemas que crean aplicaciones de alto valor que aprovechan las capacidades de Machine Learning fuera de línea de la compañía.

FogHorn Systems está utilizando su experiencia en el desarrollo de soluciones de Machine Learning para puertas de enlace de vanguardia y extendiéndolas al mundo de Android.

El proveedor de inteligencia de vanguardia con sede en Sunnyvale, California, anunció el lanzamiento de Lightning Mobile, una solución de computación de vanguardia que ofrece sus capacidades de Machine Learning y análisis de transmisión a smartphones y tablets Android resistentes para el mercado industrial.

Ramya Ravichandar, vicepresidente de gestión de productos de FogHorn, dijo que Lightning Mobile puede ejecutarse completamente fuera de línea, lo que significa que toda la computación ocurre en el dispositivo, lo que es necesario para las empresas industriales que dependen de operadores que trabajan en entornos de baja conectividad.

"Realmente estamos abriendo la expansión en términos de perseguir los casos de uso que requieren movilidad pero no requieren conectividad", dijo. Los mercados potenciales incluyen manufactura, petróleo y gas, transporte y atención médica, según la compañía.

FogHorn está adoptando un enfoque más orientado a la aplicación con Lightning Mobile que con su producto estrella, la plataforma de inteligencia Lightning edge, que proporciona los medios para ingerir, enriquecer y analizar datos en pasarelas de vanguardia para casos de uso como el mantenimiento predictivo y el monitoreo de funcionamiento. Para Lightning Mobile, la compañía se centrará en desarrollar aplicaciones basadas en casos de uso mientras quepermitirá a los integradores de sistemas hacer lo mismo.

http://bit.ly/2YTQMJi

 

Splice Machine lanza el programa beta para Machine Learning Manager para satisfacer la creciente demanda de Inteligencia Artificial operacional

Splice Machine, la plataforma operativa de datos de Inteligencia Artificial (AI), anunció el lanzamiento de un programa beta para Machine Learning Manager, una plataforma nativa de Ciencia de Datos y Machine Learning. Al operar en la plataforma de datos de Splice Machine, Machine Learning Manager permite a los equipos de Ciencia de Datos maximizar el rendimiento de sus modelos de Machine Learning eliminando la latencia asociada con la creación de líneas de datos complejas, realizando transformaciones incómodas y formando modelos de datos actualizados. Con Machine Learning Manager, los científicos de datos pueden experimentar hasta en diez veces más líneas de datos para optimizar sus modelos, y cuando finalmente implementen el modelo en el entorno de producción, pueden comenzar a hacer predicciones en tiempo real.

La infraestructura de datos de TI que consiste en plataformas transaccionales, analíticas y de Ciencia de Datos independientes no es viable para las aplicaciones modernas basadas en Machine Learning, ya que no es lo suficientemente ágil para proporcionar los datos en tiempo real necesarios para capacitar continuamente el modelo de Machine Learning en minutos en lugar de horas o días. Machine Learning Manager ayuda a mejorar la productividad de los científicos de datos al ejecutar los modelos de Machine Learning a nivel de base de datos utilizando los datos más recientes disponibles. Este enfoque facilita la recapacitación del modelo cada vez que cambian los atributos de datos subyacentes, asegurando que el modelo esté funcionando a su rendimiento óptimo.

http://bit.ly/2ZmkUNy

 
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