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 está ayudando a detener las brechas de seguridad con analíticas de amenazas

Conclusión: Machine Learning está permitiendo que los análisis de amenazas ofrezcan una mayor precisión con respecto al contexto de riesgo del comportamiento de los usuarios privilegiados, creando notificaciones de actividad de riesgo en tiempo real, al tiempo que pueden responder activamente a incidentes mediante el corte de sesiones, agregando monitoreo adicional, o marcado para el seguimiento forense.

Separando los hechos de Hacks de Seguridad de la Ficción

Es hora de desmitificar la escala y la gravedad de las infracciones que ocurren a nivel mundial hoy en día. Un concepto erróneo o una ficción comúnmente sostenida es que millones de hackers han ido al lado oscuro y están organizando ataques masivos en cualquier negocio que sea vulnerable. Los hechos son muy diferentes y reflejan una verdad mucho más brutal, que es que las empresas se vuelven fáciles de hackear al no proteger sus credenciales de acceso privilegiado. Los ciberdelincuentes no están gastando el tiempo y el esfuerzo para piratear los sistemas; están buscando formas ingeniosas de robar credenciales de acceso privilegiado y caminar por la puerta principal. De acuerdo con el Informe de investigación de violaciones de datos de 2019 de Verizon, la cuenta de 'Phishing' (como un precursor para el uso incorrecto de credenciales), 'Credenciales robadas' y 'Abuso de privilegios' encabezan la mayoría de las acciones de amenazas en las brechas de seguridad.

Solo se necesita una credencial comprometida para impactar potencialmente a millones, ya sean millones de individuos o millones de dólares. Sin lugar a dudas, las identidades y la confianza que depositamos en ellas se utilizan contra nosotros. Se han convertido en el Talón de Aquiles de nuestras prácticas de ciberseguridad. Según un estudio reciente realizado por Centrify entre 1000 tomadores de decisiones de TI, el 74% de los encuestados cuyas organizaciones han sido violadas reconoció que se trataba de acceso a una cuenta privilegiada. Este número se alinea estrechamente con la estimación de Forrester Research "que al menos el 80% de los datos infringe. . . [involucra] credenciales privilegiadas comprometidas, como contraseñas, tokens, claves y certificados".

http://bit.ly/2WPLdOE

 

Aprendizaje automático de máquinas: las promesas y los escollos

El profesor Clough sostiene que la adopción de tecnologías de Machine Learning (ML) e Inteligencia Artificial (AI) en los negocios es cada vez más común y, por lo tanto, ahora se está utilizando para apoyar las actividades generales para mejorar los procesos, la toma de decisiones y la provisión de nuevos servicios.

A modo de recordatorio, Machine Learning (o Machine Learning) se refiere a programas de software que mejoran automáticamente sus resultados como resultado de la "experiencia observada" (es decir, la exposición a flujos de datos y conjuntos de datos).

Actualmente, se argumenta que el propio Machine Learning es el núcleo de áreas que van desde el análisis predictivo y prescriptivo hasta la automatización de tareas digitales y el corazón del "análisis aumentado", Inteligencia Artificial Corporativa y el llamado Analytics 4.0. Entonces, ¿qué debemos pensar en el futuro?

Clough escribe lo siguiente ...
El espacio de ML se encuentra en un estado de flujo e importantes barreras se enfrentan a las organizaciones, especialmente los empleados con una falta de conocimiento experto de Machine Learning (a pesar del aumento de los llamados "científicos de datos ciudadanos").

Machine Learning Automático
Sin embargo, no debemos temer, ¡ya que Machine Learning está llegando al rescate de Machine Learning! Cada vez más, las etapas de la tubería de Machine Learning se están automatizando mediante el uso de técnicas de Machine Learning, dando lugar a herramientas de Machine Learning automatizado (o AutoML), tanto comerciales (por ejemplo, DataRobot, Dataiku DSS, Google Cloud HyperTune) como de código abierto (por ejemplo, Auto-WEKA, autosklearn, H2O, TransmorgrifAI y TPOT).

Ajuste de hiper-parámetro
Originalmente, las herramientas de AutoML automatizaban los procesos de selección de modelos y el ajuste de parámetros hiperactivos, que a menudo requiere buscar en un gran número de configuraciones posibles para obtener los modelos con el mejor rendimiento (es decir, un problema de optimización).


http://bit.ly/30v8NhX
 

Los investigadores del Estado de Texas utilizan Machine Learning para ayudar a los niños con autismo a identificar las expresiones faciales

Según la Academia de Inteligencia Emocional, existen siete expresiones faciales universales que los humanos poseen: felicidad, tristeza, miedo, disgusto, enojo, desprecio y sorpresa. Para las personas con trastorno del espectro autista (TEA), puede ser difícil distinguir entre estas emociones durante las interacciones personales.

Un equipo de investigadores de la Universidad Estatal de Texas, incluidos el Dr. Damian Valles, profesor asistente en la Escuela de Ingeniería de Ingram, la Dra. Maria Resendiz, profesora asociada del Colegio de Profesiones de la Salud, y el estudiante graduado MD Inzamam Haque, está desarrollando una aplicación móvil para ayudar a los niños con TEA a reconocer las expresiones faciales en la pantalla de un dispositivo, lo que les permite interpretar mejor las señales no verbales en entornos sociales.

Debido a los recientes avances en la tecnología de reconocimiento facial, el Dr. Valles dice que pueden ayudar a disminuir la brecha de comunicación entre los niños con autismo. "No creo que hace cinco o diez años, podríamos haber tenido esta discusión basada en la tecnología disponible".

Usando la aplicación, los padres y los educadores dirigen las expresiones faciales hacia el niño, luego el niño puede aprender a identificar esas expresiones al ver los contornos de una cara que indica la emoción en la pantalla del dispositivo.

http://bit.ly/2WtH5Tx

 
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