Inteligencia Artificial Aplicada al Territorio

MACHINE LEARNING Machine Learning específicamente se encarga de crear sistemas que aprenden automáticamente, todo esto enmarcado en el campo de la Inteligencia artificial. Se basa en la identificación de patrones complejos en grandes volúmenes de información, siendo capaz de predecir comportamientos futuros, la máquina usa Big Data y algoritmos sofisticados para saber cómo realizar la tarea por sí misma. El machine Learning les permite a las aplicaciones “pensar” y hacer una determinación o proyección de manera independiente . El gran desarrollo que esta técnica o disciplina ha tenido en la última década se debe al desarrollo y avances en cuanto a procesamiento y almacenamiento de datos y el fácil acceso a estos datos, además de la gran tendencia y desarrollo sobre el manejo de grandes cantidades de datos que en un software convencional no es posible manejarlos, como son los macro datos o Big Data. Algunos Beneficios de Machine Learning -        Toma de d

Conferencia “Uso de tecnologías Geoespaciales y Big Data para mejorar los procesos de Actualización catastral” En la conferencia se dio una contextualización del estado actual del catastro en Colombia y hasta donde se pretende llegar con la aplicación de nuevas tecnologías y metodologías, como la puesta en marcha del catastro multipropósito que se avecina en los próximos años, y como este pretende cubrir muchas falencia en cuanto a desactualización eh inconsistencias en la información predial del país que se ve reflejado en el recaudo fiscal por parte de las entidades estatales, se habló de como el crecimiento exponencial de las ciudades colombianas requiere de la nuevas tecnologías y metodologías que permitan capturar los cambios generados en el territorio debido a las dinámicas poblacionales existentes, que dan lugar a problemáticas relacionadas principalmente con el acceso a la información, desactualización, inconsistencias y costos de las TIC, para dar solución a estas problem

ONE-HOT ENCODING Debido a que los datos categóricos no se pueden representar o no son aplicables en los algoritmos de aprendizaje automático, estos deben ser convertidos a valores de tipo numérico, de echo esto no es suficiente ya que los modelos definirán un orden natural entre las categorías esto implicaría un rendimiento deficiente para dar solución a esto se debe agregar una nueva variable binaria a cada valor entero, en si se debe hacer una representación de variables categóricas como vectores binarios, por consiguiente, se debe tener una correlación entre los valores categóricos y los valores enteros. Fuente: https://www.slideshare.net/SergiiGavrylov/kpi-summer-school-2015-word-embeddings-and-neural-language-modeling Muchos algoritmos de aprendizaje automático no pueden funcionar directamente con datos categóricos. Las categorías se deben convertir en números. Esto es necesario para las variables de entrada y salida que son categóricas. Bibliografía