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.

Cómo McDonald's planea usar Machine Learning para personalizar el servicio en el coche

De la conveniencia al ahorro, la forma en que los consumidores ven el valor está cambiando. La adquisición de Dynamic Yield por parte de McDonald's muestra que la personalización del servicio en el coche con tecnología lo ayudará a mantenerse competitivo, y un nuevo informe de Valassis muestra cómo los restaurantes pueden atraer a más clientes con valor en mente. Marc Mathies, vicepresidente de productos en Valassis, compartió sus pensamientos en una entrevista.

El informe de Valassis encontró que uno de cada cinco consumidores visita restaurantes de comida rápida, restaurantes de comida rápida informal o pizzerías una o más veces a la semana. Ofertas y promociones pueden atraerlos a cambiar de selección de restaurante. Para las visitas repetidas a los restaurantes, los menús de valor o en dólares y los precios bajos de todos los días activan la mayoría de los cambios de los consumidores en un 58%, con ofertas de BOGO (compre uno, obtenga uno) que tienen casi la misma influencia en un 57%. Las promociones personalizadas pueden ser una parte esencial para ayudar a los consumidores a tomar una decisión, y Machine Learning puede ser la clave para que eso suceda.

McDonald's está comprando Dynamic Yield y planea utilizar Machine Learning e Inteligencia Artificial para personalizar sus menús en el coche. Cuando realice un pedido en el futuro, es posible que el menú cambie automáticamente. Dynamic Yield es una Startup de Machine Learning que proporcionará a la cadena la tecnología que necesita. El sistema utilizará múltiples factores para personalizar su menú, como el clima, lo que ya ordenó, la hora actual y los eventos locales.

http://bit.ly/2wlboNz

 

Machine Learning optimiza el rendimiento del pozo petrolero de Duvernay

Un problema fundamental para Machine Learning en muchas industrias es que una variable de respuesta no es controlada por una, sino por una serie de variables predictoras. Inferir la relación entre la variable de respuesta y las variables predictoras es de importancia clave. Las interacciones entre las variables predictoras y el ruido en los datos complican aún más las cosas. Este problema se puede resolver con una regresión lineal múltiple o una red neuronal, las cuales usan todas las variables predictoras juntas. Sin embargo, se debe tener cuidado para obtener un modelo que sea verdaderamente predictivo y no simplemente el resultado de un ajuste excesivo de los datos.

En los reservorios de petróleo y gas no convencionales, el rendimiento del pozo generalmente se caracteriza a nivel del pozo por un trabajo técnico detallado, como el análisis de tasa transitoria, microsísmica y otras técnicas, o bien a nivel de campo mediante métodos estadísticos con rangos para el rendimiento de la producción. El refinamiento de esta interpretación estadística generalmente implica la normalización de solo uno o dos parámetros clave, como la longitud lateral o el tonelaje. Además, los pozos generalmente se agrupan o excluyen por completo de la población por varias razones, como un diseño de terminación de calidad inferior. Esto introduce un sesgo en los pozos seleccionados y reduce el tamaño de la muestra. Como resultado, este enfoque se limita a las variables clave identificadas y al sesgo introducido por la población del pozo seleccionada.

La idea de utilizar una red neuronal se ha ejecutado con éxito en el pasado para optimizar las terminaciones. Sin embargo, los conjuntos de datos fueron limitados. Recientemente, el uso de Machine Learning ha crecido sustancialmente al integrar más variables en el análisis, lo que reduce la incertidumbre del yacimiento.

http://bit.ly/2wmpCxF


 

Un enfoque para mejorar las explicaciones de Machine Learning

Investigadores de IBM Research U.K., la Academia Militar de los Estados Unidos y la Universidad de Cardiff han propuesto recientemente una técnica que llaman Explicaciones Agnósticas del Modelo Interpretable Local (LIME) para lograr una mejor comprensión de las conclusiones alcanzadas por los algoritmos de Machine Learning. Su artículo, publicado en la biblioteca digital de SPIE, podría informar el desarrollo de herramientas de Inteligencia Artificial (IA) que brindan explicaciones exhaustivas de cómo llegaron a un resultado o conclusión particular.

"Creemos que la Inteligencia Artificial y Machine Learning pueden respaldar y aumentar la toma de decisiones humanas, pero que también es necesario explicar la Inteligencia Artificial", dijo Eunjin Lee, coautor del artículo de investigación original y especialista en tecnología emergente e inventor principal de IBM Research en Reino Unido. "Hoy en día, las decisiones tomadas por muchos sistemas de Machine Learning son inexplicables, es decir, no tenemos forma de que nosotros, los humanos, sepamos cómo los sistemas tomaron esas decisiones. Nuestra investigación aborda este problema investigando cómo mejorar las técnicas de explicación que tienen como objetivo arrojar luz sobre la "caja negra" de los procesos de Machine Learning".

LIME es una técnica de explicación particularmente popular que se puede aplicar a muchos modelos de Machine Learning. A pesar de su versatilidad, a menudo se considera poco confiable y, por lo tanto, ineficaz para proporcionar explicaciones, también debido a la variabilidad en los resultados que produce. En lugar de desarrollar una técnica de explicación completamente nueva, Lee y sus colegas se propusieron identificar mecanismos que podrían mejorar las explicaciones de LIME.

http://bit.ly/2wph6Ol

 
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