Machine Learning

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 decisiones rápida
  • -      Actualización en los modelos a medida que los datos también se actualicen.
  • -      Elimina posibles errores que los humanos cometeríamos fácilmente.
  • -      Velocidad en procesamiento de información.
  • -      Disminución en tiempos de respuesta.




Bibliografía

Clever Data Big data prediction. (s.f). ¿Qué es Machine Learning?. Recuperado el 15 de noviembre de 2017 de: http://cleverdata.io/que-es-machine-learning-big-data/

SAP Company Information. (s.f). Machine Learning. Recuperado el 15 de noviembre de 2017 de: https://www.sap.com/latinamerica/trends/machine-learning.html#intro

SolucionesPM. (s.f).Machine Learning. Recuperado el 15 de noviembre de 2017 de: http://www.solucionespm.com/machine-learning/

CLOUDIREC BLOG (2016). Machine Learning. Recuperado el 15 de noviembre de 2017 de: https://www.cloudirec.com/blog/machine-learning-fellowship/










Comentarios

Publicar un comentario

Entradas populares de este blog

One-Hot Encoding

Imagen
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
Leer más

Inteligencia Artificial Aplicada a la Detección de Cambios en el Territorio

Imagen
INTELIGENCIA ARTIFICIAL APLICADA A LA DETECCIÓN DE CAMBIOS EN EL TERRITORIO El proyecto es realizado o se inició en el año 2016, cuyo objetivo es desarrollar una herramienta tecnológica que le permitirá detectar, automáticamente, cambios en el territorio a partir de ortofotos, busca identificar cambios de tipo vial o por nuevas construcciones. La tecnología desarrollada integra la librería de código abierto TensorFlow, desarrollada por Google, para el aprendizaje automático (Machine Learning). El trabajo realizado por GRAFCAN se ha centrado, principalmente, en la definición y evaluación de diversas arquitecturas de redes neuronales y en la creación de herramientas de generación de patrones de entrenamiento para dichas redes, La red desarrollada consta de 22 capas neuronales con más de 36 millones de parámetros a ajustar durante los procesos de entrenamiento. En estos entrenamientos de la red, tanto el inicial como los posteriores, se utilizan unos 85.000 patrones que son procesad
Leer más