¿Cuáles son algunas posibles aplicaciones interesantes del aprendizaje automático?

El aprendizaje automático tiene muchas aplicaciones. Por lo tanto, realmente depende de lo que llames “interesante”, que es subjetivo. Como los intereses varían de persona a persona, y como no tengo idea de lo que le interesa, simplemente enumeraré algunas aplicaciones típicas.

– detectar fraudes en bancos
– identificar qué consumidores tienen más probabilidades de responder favorablemente a: correo directo, ofertas de Groupon, anuncios de Facebook
– negociación de acciones y derivados
– fijación de precios de las primas de seguro (Google financió recientemente una startup que ayuda a las compañías de seguros de desastres naturales a determinar los precios en función de los patrones climáticos debido al calentamiento global)
– identificación de genes humanos que hacen que las personas sean más propensas a desarrollar cáncer
– predicción de precios de vivienda para empresas inmobiliarias
– predicción de las calificaciones de cata de vinos
– lectura programática de texto de una fotografía aleatoria
– reconocer caras mediante programación
– coches autónomos y autónomos
– software antivirus (inspección de paquetes)
– diagnóstico de mantenimiento de fábrica
– vuelos aéreos retrasados
– Determinar qué votantes sondear durante una elección
– desarrollo de fármacos (química combinatoria)
– predicción de gustos musicales (Pandora)
– predicción de gustos en películas / espectáculos (Netflix)
– motores de búsqueda (Google)
– predicción de intereses (Facebook)
– prediciendo otros libros que te pueden gustar (Amazon)

Puede aplicar el aprendizaje automático a casi cualquier cosa. Todo lo anterior son problemas reales cuyas soluciones las personas / empresas ya están pagando.

Machine Learning realiza predicciones y decisiones basadas en datos pasados. Hay varias formas de aplicar el aprendizaje automático.

Ya se está utilizando en diversas industrias y profesiones como:

Spam de correo electrónico y filtrado de malware

Existen varios enfoques de filtrado de spam que utilizan los clientes de correo electrónico. Para asegurarse de que estos filtros de correo no deseado se actualicen continuamente, funcionan mediante aprendizaje automático.

Refinación de resultados del motor de búsqueda

Google y otros motores de búsqueda utilizan el aprendizaje automático para mejorar los resultados de búsqueda.

Cuando busca algo y abre los mejores resultados y permanece en la página web por mucho tiempo, el motor de búsqueda asume que los resultados que mostró estaban de acuerdo con la consulta.

En caso de que sigas desplazándote hacia abajo o si sigues buscando más, el motor de búsqueda estima que los resultados publicados no coinciden con tus requisitos y mejora su algoritmo para que obtengas un mejor resultado de búsqueda.

Recomendaciones de productos

Hoy en día en la era digital, cualquier tienda en línea que visite utiliza algún tipo de motor de recomendación.

Por ejemplo: Flipkart recomendará muchos productos de diferentes categorías en función de lo que esté navegando y acercará aquellos productos que probablemente comprará. Al igual que la opción “comprar juntos con frecuencia” que se encuentra en la parte inferior de la página del producto para atraerlo a comprar el artículo.

Detección de fraude en línea

Paypal está utilizando ML para proteger sus tarjetas de crédito contra el fraude, la compañía utiliza una técnica que les ayuda a comparar millones de transacciones que tienen lugar. De esta manera, pueden distinguir entre transacciones legítimas e ilegítimas.

Diagnostico medico

ML proporciona técnicas que pueden ayudar a resolver problemas de diagnóstico en una variedad de dominios médicos.

Por ejemplo, predicción de progresión de la enfermedad para la planificación de la terapia y el apoyo, etc.

APRENDE MÁS

Yendo más lejos, mira nuestro Tutorial de YouTube sobre qué es el aprendizaje automático para comprender completamente los conceptos básicos del aprendizaje automático.

Si está interesado en obtener más información sobre Machine Learning y obtener un conocimiento profundo, consulte nuestra Capacitación de certificación de Machine Learning .

Suscríbete a nuestro canal de YouTube Simplilearn para ver más videos. ¡Aclamaciones!

publicidad conductual

Google y otras agencias agregan los enlaces en los que hace clic y los productos o contenidos que busca o lee en Internet y, en consecuencia, los productos de la compañía relacionados se muestran como publicidad en las páginas web que visita

¿Alguna vez ha visto un anuncio o una imagen como esta en una página web cuando tenía la intención de leer sobre algo en los lados y las esquinas?

eso es porque recientemente busqué relojes por internet

y esto

y también esto

Otras paginas famosas

sitio web de los tiempos de hindustan

Esto se hace por el comportamiento de su navegación en Internet. No lo sabes y todo pasa a un segundo plano.

La altura del aprendizaje automático se produce cuando ves anuncios como este en la página. Sugerirle que visite sitios de citas u obtener una consulta para su esposa embarazada

Para saber más consulte esto

Acerca de los anuncios de Google

cuando visites tu página de youtube la próxima vez ve a la página de configuración haz clic aquí


y haga clic en la configuración de anuncios de Google. Se dirige a un nuevo mundo de publicidad conductual, simplemente más allá de la imaginación de un profano.

EL PROGRAMA AUTORREGULATORIO PARA PUBLICIDAD DE COMPORTAMIENTO EN LÍNEA

Todo esto se está haciendo con la ayuda del aprendizaje automático. La aplicación de aprendizaje automático intenta encontrar los patrones de navegación para cada IP que rastrea y luego crea una lista de los productos que son adecuados para mostrarse en esa página IP. Ahora los proveedores de productos y las empresas contratan a los agentes de publicidad conductual como un contrato. Más alto el pago, más publicación de sus anuncios de productos en las páginas web populares según las clasificaciones de la página de Google.

Por lo tanto, las compañías no saben dónde se mostrará su anuncio, simplemente han pagado por el anuncio y las compañías de publicidad se conectan a grandes jugadores como Google y Facebook para obtener los datos de comportamiento, en función de los cuales publican anuncios de productos.

Así que es un desastre

su comportamiento, luego predicción, luego rastreó IP y luego anuncios personalizados.

Entonces, la próxima vez que su amigo elimine el historial de Internet del historial del navegador para que usted u otra persona no sepan lo que navegó, pero de repente verá este anuncio flotando en cada página web que visita mientras navega en el navegador de su computadora

¡puedes estar bastante seguro de las cosas que hizo anoche!

¡Todas las glorias al aprendizaje automático, la privacidad ha sido pirateada! Gracias a las mierdas de google y facebook …

Una implementación interesante del aprendizaje automático junto con el análisis de datos sensoriales es el proyecto Google Driverless Car.

¿Qué es el automóvil Google Self Driving?

Es un automóvil autónomo desarrollado por Google X como parte de este proyecto para desarrollar tecnología para automóviles eléctricos. Este proyecto está dirigido por Sebastian Thrun, ex director del Laboratorio de Inteligencia Artificial de Stanford y co-inventor de Google Street View. El equipo de Thrun en Stanford creó el vehículo robótico Stanley que ganó el DARPA Grand Challenge 2005 y su premio de 2 millones de dólares del Departamento de Defensa de los Estados Unidos. El equipo que desarrolló el sistema estaba formado por 15 ingenieros que trabajaban para Google, incluidos Chris Urmson, Mike Montemerlo y Anthony Levandowski, que habían trabajado en los desafíos DARPA Grand y Urban.

Cómo funciona ?

El software instalado en los automóviles de Google se llama Google Chauffeur. El automóvil está equipado con un sistema LIDAR Velodyne de 64 haces. Este láser permite al vehículo generar un mapa 3D detallado de su entorno. Luego, el automóvil toma estos mapas generados y los combina con mapas de alta resolución del mundo, produciendo diferentes tipos de modelos de datos que permiten que el software procese toda la información para ayudar al automóvil a navegar con seguridad por la carretera sin cansarse o distraerse.

Futuro

El automóvil autónomo de Google ha completado más de 1 millón de millas de pruebas de manejo con solo 14 incidentes menores. Con la legislación aprobada para permitir el automóvil autónomo en 4 estados de EE. UU. Y Washington DC, no está muy lejos cuando veremos automóviles autónomos a nuestro alrededor como en Mass Effect 3 🙂

Auto sin conductor de Google

Proyecto de automóvil autónomo de Google

He usado mucho mi cerebro para encontrar esta respuesta, y he encontrado muchas:

  1. Tiene análisis de datos en casi todos los sitios web sociales que visita todos los días. Todos tus gustos y disgustos están siendo rastreados y los contenidos se basan en tu conjunto de datos y se te muestran. Te has dado cuenta, solo te notifican sobre esos videos, te pueden gustar. Los anuncios están en aumento en los sitios sociales y siguen el mismo principio para apuntar a los clientes y despertar el interés en nosotros y convencernos de que usemos sus productos con el llamado Machine Learning y Data Analytics.
  2. Ahora, llegando a algunas aplicaciones, he pensado que son,
  1. Imagínese, tiene una gran audiencia frente a usted y necesita encontrar a alguien específico en el área {Por mucha audiencia, quiero decir un número de 3 dígitos o más). Aquí, puede entrenar su máquina mediante Tensorflow-for-Poets-2 para reconocer a la persona en particular usando CNN / DNN mientras mueve su cámara por todo el lugar. Lo mismo se puede utilizar para realizar el sistema de asistencia en escuelas, colegios.
  2. Dispositivo / aplicación de resolución de problemas matemáticos. Simplemente, muestre su pregunta o cargue su pregunta en formato .jpeg / .jpg y ML realiza la tarea de resolverla mediante algoritmos.
  3. Esquema de detección de emociones. ¿La persona está feliz / triste / enojada / sorprendida … etc.? Cada emoción puede ser detectada y mostrará lo que él / ella intenta ser.

Eso fue un poco. Espero que lo entiendas ahora.

El año 2017 vio a la inteligencia artificial acercar el material de la ciencia ficción a la realidad no solo ganando terreno en todas las esferas de la vida, sino también sacando lo mejor de los humanos en muchos campos.

Desde adquirir la ciudadanía hasta ser más astuto que los humanos en juegos complejos, desde componer música hasta escribir novelas, desde ayudar a los médicos a ayudar a combatir casos judiciales, la inteligencia artificial (IA) hizo sentir su presencia durante todo el año.

Haciendo titulares

2/12

Inteligencia artificial es un término utilizado para describir sistemas o máquinas que imitan las funciones cognitivas de las mentes humanas, como el aprendizaje y la resolución de problemas.

Aunque de ninguna manera es un concepto nuevo, la tecnología fue noticia durante todo el año.

Primer ciudadano robot

3/12

Quizás, una de las máquinas de IA más comentadas este año fue Sophia, un robot humanoide diseñado por una compañía en Hong Kong, a quien se le otorgó la ciudadanía en Arabia Saudita, un país donde las mujeres no podían conducir hasta hace poco.

La medida generó críticas generalizadas por parte de las mujeres, que estaban angustiadas al ver que una máquina de inteligencia artificial tenía más derechos que ellas.

Del campeón de póker …

4/12

Un sistema de inteligencia artificial llamado Libratus venció a cuatro jugadores humanos en un maratón de Texas Hold ’em Poker que duró 20 días, ganando más de USD 1,5 millones en fichas.

… al maestro del juego de mesa

5/12

Mientras tanto, el sistema de inteligencia artificial de Google ‘DeepMind AlphaGo’ derrotó al mejor jugador del mundo del antiguo juego de mesa chino Go, considerado más desafiante para las computadoras que el ajedrez.

Si bien hay numerosas aplicaciones de nicho interesantes de los sistemas actuales de IA.

Me gustaría llamar la atención sobre los caballeros oscuros; los que han entrado en nuestras vidas tan silenciosamente que nos olvidamos de apreciar su belleza.


Te levantas de tu silla, sintiendo la fatiga de buscar aplicaciones de IA en toda la web.

Siente la necesidad de apurarse ya que debe decidir un proyecto. Pero notas la puesta de sol desde tu ventana.

“Oh, ya es de noche. Hagamos algo más, podría ayudar a refrescar mi mente “.

Sacas tu teléfono inteligente y murmuras, “Ok Google. Abre Snapchat “.

Oirá una alerta con el teléfono abriendo la aplicación deseada. Miras el feed mientras admiras la capacidad de tu teléfono para comprender tu voz junto con lo que realmente querías.

“Hmm … estos filtros son bastante interesantes. Me pregunto cómo se las arregla para saber dónde colocarlo. ¡Jaja, estas gafas son tan divertidas!

Terminando tu rutina habitual de Snapchat, procedes a revisar Facebook.

“Ah, claro, olvidé subir la fotografía de la fiesta de ayer”.

Hace clic en el botón de carga y procede a etiquetar a sus amigos, pero nota que Facebook ya lo ha hecho por usted.

“¿Eso es raro? ¿Cómo supo quién era quién?

Sigue desplazándose por su feed por un tiempo antes de notar algunas recomendaciones de compra. Casi los omites antes de ver algo bastante útil.

“¡Wow asombroso! Realmente quería esto. Me alegro de que apareciera en mi feed “.

Ya aburrido de Facebook, pasas a jugar ajedrez en línea contra alguien. Rápidamente logras encontrar un oponente y vencerlo fácilmente.

“Bueno, ¡eso fue bastante refrescante!”

Escucha una notificación y ve que su oponente le envió un mensaje.

>>> Mensaje recibido: “** Algo malo **”

“¿Qué idioma es este? Vamos a buscar ayuda en Google “.

Abre el traductor y pega el mensaje. Pero evite presionar OK ya que ni siquiera sabe cuál es el idioma original. Afortunadamente, Google lo detecta automáticamente y usted lee el mensaje traducido.

“. . . . .

“Algunas personas simplemente no toman pérdidas fácilmente. No importa, solo jugaré contra un bot “.

Miras debajo de la configuración y encuentras la opción de nivel difícil de bot. Aún alto en su reciente victoria, establece la dificultad en Legendario . Quince minutos después …

“Como sea, ¿cómo podría ganar contra una computadora? ¡Juego estupido!”

Miras la ventana para encontrar la puesta de sol.

“¡Es demasiado tarde! Basta de perder el tiempo, debería comenzar a buscar algunas ideas de proyectos pronto. Al menos debería haber una aplicación interesante de Machine Learning, ¡todos están hablando de eso últimamente!

Pasan los minutos y te encuentras hojeando tu feed de Quora, impresionado por las respuestas maravillosamente escritas que de alguna manera siempre son algo que te interesa.

“Uhh … espera, qué. ¿Cómo terminé aquí? Bien, lo se! Hagamos una pregunta sobre Quora. Estoy obligado a obtener ayuda de la comunidad “.


Para mí, las aplicaciones de ML que pueden tocar tantas vidas simultáneamente y se han arraigado en nuestras vidas tan profundamente que no podemos imaginar nuestras vidas sin ellas son las más interesantes.

La gente ha dado excelentes respuestas aquí. Las aplicaciones de Machine Learning han encontrado su camino hacia varias plataformas que usamos diariamente. Pero con el aumento de la potencia informática, una cosa a tener en cuenta es que las aplicaciones de Deep Learning también se están utilizando a fondo en muchos campos interesantes. He enumerado algunas áreas de investigación de aprendizaje profundo realmente interesantes y matemáticamente rigurosas. Tenga en cuenta que algunos podrían no usarse a diario o con frecuencia, pero sus ideas son definitivamente esclarecedoras.

Algunas áreas de investigación notables en Deep Learning son:

  • Visión por computadora: hay varios trabajos de investigación en esto a medida que las técnicas de clasificación de imágenes y videos se están poniendo al día. En términos simples, aquí hay algunas aplicaciones de Computer Vision
  1. Autos sin conductor
  2. Seguimiento de ojos y cabeza
  3. Reconocimiento de gestos
  4. Grandes aplicaciones militares: vehículos no tripulados, etc.
  5. Automatizacion Industrial e Inspeccion
  6. Realidad aumentada
  7. Fines de seguridad: reconocimiento facial, etc.
  • Aprendizaje profundo y biología: aunque algo o la mayor parte de esto también se debe a la visión por computadora, la biología computacional está cobrando mucha importancia para ayudar a los profesionales médicos a brindar la mejor atención posible a los pacientes. Este es un documento bonito pero largo de leer para tener una idea mucho mejor: http://msb.embopress.org/content

Además, esta es una lectura excelente: https://greenelab.github.io/deep

  • Algunas otras aplicaciones notables ‘Next Wave’ de Deep Learning, la investigación que abre nuevos caminos son: – Redes neuronales para la detección del cáncer cerebral, Aprendizaje automático para imágenes de ultrasonido, atención prenatal, Redes neuronales en esfuerzos de misiones espaciales; Más se puede encontrar aquí.
  • Otras categorías y subcategorías de visión por computadora, que podrían considerarse independientes son, Generación automática de texto, Generación automática de subtítulos. Este también es un artículo maravilloso: 8 aplicaciones inspiradoras del aprendizaje profundo: dominio del aprendizaje automático

En general, las aplicaciones de Deep Learning solo van a aumentar, con un aumento de la potencia computacional. Automatic Music Generation es algo que me fascina mucho. Hay tantas tareas que realizan nuestros cerebros, involuntaria y voluntariamente. También he enumerado algunos recursos técnicos que despertarían su curiosidad matemática (CNN, etc.).

Esta maravillosa publicación analiza la utilidad de 9 algoritmos de Deep Learning en Computer Vision:

https://adeshpande3.github.io/ad

Otro buen artículo para leer que resume algunos artículos de ML / Deep Learning bastante recientes:

http://www.kdnuggets.com/2017/04…

¡Espero que esto haya ayudado hasta cierto punto! Probablemente hay tantos investigadores trabajando para lograr el próximo avance en el aprendizaje profundo. Aquí también se pueden ver algunos temas trabajados por el famoso Dr. Andrew Ng, es realmente fascinante: http://www.andrewng.org/research/

¡Feliz aprendizaje! 🙂

Descargo de responsabilidad: soy cofundador de @GreyAtom y ayudo a talentos de ingeniería a encontrar carreras sostenibles en tecnologías emergentes.

El programa insignia altamente selectivo de GreyAtom tiene como objetivo orientar a los profesionales que trabajan y los más novedosos en el inicio de su carrera de ciencia de datos. Los estudiantes desarrollan proyectos sobre conjuntos de datos REALES y declaraciones de problemas proporcionadas por nuestra industria y socios de contratación. El programa se basa en el aula y está fuertemente orientado a la práctica. GreyAtom es un ecosistema donde los estudiantes pueden aprovechar lo mejor de la academia, profesionales de la industria y personas influyentes.

Algunos enlaces rápidos

El aprendizaje automático es un gran paso en el camino hacia una IA fuerte. Mi estimación personal de lo que puede lograr sin un cambio de paradigma adicional (la mayoría dentro de un horizonte temporal de 10 años):

En términos de hitos de investigación

  • Reconocimiento de objetos bastante bueno, que facilita la búsqueda de imágenes mucho mejor de lo que tenemos actualmente (p. Ej., Puede hacer coincidir de manera confiable objetos específicos [la Mona Lisa], clases de objetos [perros o gatos], o incluso clases conceptuales más amplias [dibujos de perros junto a seres vivos] con moderada fiabilidad). La visión dejará de ser cualquier tipo de cuello de botella para la navegación autónoma del robot (y será lo suficientemente bueno para el mapeo de alta calidad y la descripción de la escena), con todo tipo de implicaciones.
  • Suficiente comprensión de texto para dar resúmenes útiles y estructurados de eventos de noticias o una colección de respuestas / opiniones sobre un tema específico.
  • Análisis de imágenes de alta calidad, que aumenta significativamente el valor de las imágenes médicas al agregar un componente de diagnóstico automático (o asistencia médica, como mínimo).
  • Vehículos y robots autónomos (también IA de juegos) que son bastante robustos y funcionan a nivel humano o mejor, dependiendo de sus tareas.
  • Métodos de optimización mucho más rápidos y flexibles para un conjunto de tareas mucho más amplio. Este ha sido un gran sello de progreso hasta ahora, y continuará de manera amplia.

En cuanto a las aplicaciones comerciales.

  • Búsqueda semántica y estructurada de mejor calidad a gran escala: respuesta a preguntas sobre la calidad de Watson a su alcance y con acceso a toda la información de la web; explore “sitios como este”, como un motor de recomendación gigante y bueno.
  • Crecimiento en el lado híbrido exploratorio / humano-máquina del aprendizaje automático. Es útil conectar algunos datos y obtener una salida de clasificación o regresión, pero obtener sugerencias sobre qué subconjuntos de datos para explorar más a fondo, qué características controlar, qué estructuras ocultas buscar, de una manera que permita que la intuición humana llene los vacíos en los algoritmos tan fácilmente como sea posible es realmente la próxima gran frontera.
  • Software y marcos mucho mejores para tareas “rutinarias”. El software para ingeniería industrial se comercializa a fondo y es espectacularmente rápido. Espere ver paquetes de aprendizaje automático que pueden facilitar la rutina a gran escala (alcanzando la escala web en una o dos décadas). Uno o dos programadores bien capacitados podrán hacer con este software de análisis o tareas de robótica que actualmente requieren equipos completos.
  • La próxima explosión de la potencia de procesamiento, impulsada tanto por la ley de Moore como por la mercantilización de la potencia informática a través de servicios como Amazon EC2, y con la ayuda del software mediante mejores marcos (el Hadoop de 2020 será bastante sorprendente, con un poco de suerte) hará que Mucho menos urgente el tamaño de los datos y los cuellos de botella de eficiencia algorítmica que nos preocupan ahora.

La aplicación del algoritmo de aprendizaje automático es infinita. Algunas de las aplicaciones que se vuelven más útiles en el día a día.

  • Biotecnología: los avances en la tecnología de secuenciación y detección han creado conjuntos de datos masivos de muchos tipos diferentes, como secuencias de ADN, estructuras de proteínas, pantallas compuestas y expresión de ARN.

  • Detección de fraude financiero: las compañías de tarjetas de crédito buscan constantemente nuevas formas de detectar si las transacciones son fraudulentas. Para este fin, han empleado técnicas tales como redes neuronales y lógica inductiva para verificar transacciones y detectar el uso incorrecto.

  • Comercialización de productos: durante mucho tiempo, comprender la demografía y las tendencias fue más una forma de arte que una ciencia. Recientemente, la mayor capacidad de recopilar datos de los consumidores ha abierto oportunidades para las técnicas de aprendizaje automático, como la agrupación para comprender mejor las divisiones naturales que existen en los mercados y hacer mejores predicciones sobre las tendencias futuras.

  • Optimización de la cadena de suministro: las grandes organizaciones pueden ahorrar millones de dólares al hacer que sus cadenas de suministro se ejecuten de manera efectiva y predecir con precisión la demanda de productos en diferentes áreas. potencialmente puede afectar la demanda. Las técnicas de optimización y aprendizaje se utilizan con frecuencia para analizar estos conjuntos de datos.

  • Seguridad nacional: las agencias gubernamentales de todo el mundo recopilan una gran cantidad de información, y el análisis de estos datos requiere que las computadoras detecten patrones y los asocien con posibles amenazas.

Estos son solo algunos ejemplos de dónde el aprendizaje automático ahora se usa mucho.

Feliz lectura.

Fuente de la imagen: google.com

Los algoritmos de aprendizaje automático se están utilizando en muchos lugares de maneras interesantes. Se está volviendo cada vez más omnipresente con más y más aplicaciones en lugares donde ni siquiera podemos pensar.

Par de aplicaciones simples (triviales) de Machine Learning con alto impacto

Detección de anomalías: máquina El aprendizaje (ML) está en juego para señalar cualquier negligencia en transacciones / comunicaciones de datos de alta frecuencia de muy alto volumen. Los sistemas impulsados ​​por ML ahora pueden detectar un posible uso de información privilegiada en un mercado de valores, también ML puede señalar una transacción fraudulenta de clientes como una transacción fraudulenta en negocios de gran volumen que realizan sitios web de mercado.

La detección de anomalías no es tan simple como la identificación de ovejas negras

Clasificación: cuando agrega una pregunta en Quora, se etiqueta automáticamente a algunos temas, ¿se pregunta cómo? Sí, aprendizaje automático. Los mismos algoritmos de clasificación (o modelado de temas) están detrás de cómo los artículos de noticias de miles de fuentes se segregan claramente bajo los temas en Google Noticias o en los principales portales de agregación de noticias.


Si está interesado en algunas aplicaciones no tan simples, puede leer esto
Seis nuevas aplicaciones de aprendizaje automático

Para citar este enlace, ML aplicó a problemas como la predicción de reingresos hospitalarios, la predicción de accidentes cerebrovasculares / insuficiencia cardíaca / tiempo de espera, etc … lectura interesante …

En los años 90 y 2000, el software e Internet transformaron la forma en que las empresas hacen negocios. Las empresas de vanguardia y conocedoras de la tecnología, como Amazon y Google, crecieron rápidamente. Las compañías viejas y pesadas como Blockbuster y Borders no pudieron mantenerse al día.
En los años 2010 y 2020, la analítica poderosa y el aprendizaje automático están transformando las industrias nuevamente, al igual que el software transformó el mundo en los últimos 30 años.

Gracias por el A2A SivaPrakasam Nagarajan

Referencias
El arma de aplicación más nueva de la SEC de EE. UU .: software potente
Patente US20050060312 – Sistemas y métodos para mejorar la clasificación de artículos de noticias
¿Cómo clasifica Google News los artículos automáticamente en Tecnología / Ciencia / Salud / Entretenimiento / etc.?

Existen numerosas aplicaciones de aprendizaje automático. En realidad, es difícil darse cuenta de cuánto ha logrado el aprendizaje automático en aplicaciones del mundo real.

El aprendizaje automático generalmente es solo una forma de ajustar un sistema con parámetros ajustables. Es una forma de mejorar un sistema con ejemplos, generalmente de manera supervisada o sin supervisión.

El aprendizaje automático se aplica normalmente en la fase de entrenamiento fuera de línea, por lo que el aprendizaje automático se usa para mejorar las siguientes aplicaciones.

  1. Detección de rostros : la función de detección de rostros en cámaras móviles es un ejemplo de lo que puede hacer el aprendizaje automático. Las cámaras pueden tomar una foto automáticamente cuando alguien sonríe con mayor precisión ahora que nunca debido a los avances en los algoritmos de aprendizaje automático.
  2. Reconocimiento facial : aquí es donde un programa de computadora puede identificar a un individuo a partir de una foto. Puede encontrar esta función en Facebook para etiquetar automáticamente a las personas en las fotos donde aparecen. Los avances en el aprendizaje automático significan software de etiquetado automático de caras más preciso.
  3. Clasificación de imágenes : un buen ejemplo es la aplicación de aprendizaje profundo para mejorar la clasificación de imágenes o la categorización de imágenes en aplicaciones como Google Photos. Las fotos de Google no serían posibles sin avances en el aprendizaje profundo.
  4. Reconocimiento de voz : otro buen ejemplo es Google ahora. Las mejoras en los sistemas de reconocimiento de voz han sido posibles gracias, adivinó correctamente, el aprendizaje automático específicamente el aprendizaje profundo.
  5. Google : Google se define como una empresa de aprendizaje automático ahora. También es líder en esta área porque el aprendizaje automático es un componente muy importante para su negocio principal de publicidad y búsqueda. Aplica el aprendizaje automático para mejorar los resultados de búsqueda y las sugerencias de búsqueda.
  6. Antivirus : el aprendizaje automático se utiliza en software antivirus para mejorar la detección de software malicioso en dispositivos informáticos.
  7. Antispam : el aprendizaje automático también se utiliza para entrenar mejores sistemas de software antispam.
  8. Genética : los algoritmos clásicos de minería de datos o agrupamiento en el aprendizaje automático, como los algoritmos de agrupamiento aglomerativo, se utilizan en genética para ayudar a encontrar genes asociados con una enfermedad en particular.
  9. Eliminación de señal: los algoritmos de aprendizaje automático como el K-SVD, que es solo una generalización de la agrupación de k-medias, se utilizan para encontrar un diccionario de vectores que se pueden combinar de forma lineal para aproximar cualquier señal de entrada. Por lo tanto, esta técnica se utiliza en compresión de video y eliminación de ruido.
  10. Pronóstico del tiempo : el aprendizaje automático se aplica en el software de pronóstico del tiempo para mejorar la calidad del pronóstico.

El aprendizaje automático hace que sea relativamente más fácil desarrollar sofisticados sistemas de software sin mucho esfuerzo en el lado humano. En lugar de pasar años haciendo funciones artesanales o afinando un sistema con muchos parámetros, el aprendizaje automático lo hace más rápido. También solo requiere datos de entrenamiento para aprender mejores características o parámetros necesarios para mejorar un sistema dado.

El único inconveniente es que el aprendizaje automático no funciona bien para problemas no convexos o problemas con parámetros discretos que no son diferenciables.

Los algoritmos de aprendizaje automático son aplicables a muchos problemas de la vida real. Debido a que se trata principalmente de un sistema fuera de línea aplicado solo durante el entrenamiento, es difícil darse cuenta de su importancia y sus contribuciones en la realidad.

Espero que esto ayude.

El aprendizaje automático es una aplicación de inteligencia artificial (IA) que proporciona a los sistemas la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programado explícitamente. Algunas de las posibles aplicaciones del aprendizaje automático se analizan a continuación

1. Reconocimiento de imagen y voz:

Cuando seleccionamos una imagen en blanco y negro, la intensidad de cada píxel sirve como una medida. Entonces, si una imagen en blanco y negro tiene N * N píxeles, el número total de píxeles y, por lo tanto, la medición es N2.

donde, como cuando seleccionamos una imagen en color, cada píxel se considera que proporciona 3 medidas a las intensidades de 3 componentes de color principales, es decir, RGB. Entonces, imagen en color N * N, hay 3 medidas de N2.

En el reconocimiento de voz, una aplicación de software reconoce las palabras habladas. Podemos representar la señal de voz por las intensidades o la energía en diferentes bandas de frecuencia de tiempo.

2. Chat-bot Army de Facebook:

Cualquier desarrollador puede crear y enviar un chat-bot para su inclusión en Facebook Messenger. Esto significa que las empresas con un fuerte énfasis en el servicio al cliente y la retención pueden aprovechar los chatbots, incluso si son una pequeña startup con recursos de ingeniería limitados.

3. Traducción automática de máquina:

La traducción de texto puede realizarse sin ningún procesamiento previo de la secuencia, lo que permite que el algoritmo aprenda las dependencias entre las palabras y su asignación a un nuevo idioma. Las redes apiladas de grandes redes neuronales recurrentes LSTM se utilizan para realizar esta traducción.

4. Tecnología asistencial y médica:

El aprendizaje automático incluso tiene aplicaciones médicas en forma de medidas predictivas. De la misma manera que un colega puede mirar las notas de los pacientes de un médico y detectar cosas que pueden haberse perdido, también puede un AI buscar patrones que indiquen una posible insuficiencia cardíaca.

De esta manera, los médicos pueden colaborar con el robot virtual AI para diagnosticar mejor esta afección cardíaca fatal antes de que ataque. El par de ojos extra puede salvar vidas, y los estudios hasta ahora han mostrado ser prometedores para la aplicación futura de esta tecnología.

5. Modificación del comportamiento:

La medicina personalizada, o un tratamiento más efectivo basado en datos de salud individuales combinados con análisis predictivos, también es un área de investigación candente y estrechamente relacionada con una mejor evaluación de la enfermedad. Actualmente, el dominio está regido por el aprendizaje supervisado, que permite a los médicos seleccionar entre conjuntos de diagnósticos más limitados, por ejemplo, o estimar el riesgo del paciente en función de los síntomas y la información genética.

Para más detalles: BEPEC | ¿Por qué ciencia de datos? Bangalore

¿Quieres como ejemplos? o temas generales?

El aprendizaje automático se centra en 1. reconocimiento de patrones y 2. clasificación en este momento.

Podrías tomar eso y construir sobre él. Por ejemplo, si incluye el elemento del tiempo, puede crear 3. algoritmos de predicción y 4. detección de anomalías.

Avanzando más, puede construir una 5. jerarquía de reconocimiento de patrones que luego tendría el potencial de crear 6. representaciones invariantes del mundo, incluso mientras recibe datos que cambian constantemente. Esencialmente, esto equivaldría al desarrollo de una 7. representación interna del mundo estable pero receptiva .

Este modelo también podría verse influenciado por las propias acciones del algoritmo de aprendizaje automático, cambiándolo de un modelo de predicción estático de datos a un modelo de exploración más receptivo basado en sus propias acciones; a 8 . Representación interna sensorial-motora del mundo.

Si tienes eso, un modelo sensorial-motor del mundo, puedes construir máquinas que 9. aprendan como humanos porque almacenan datos en la memoria como humanos y 10. actúen como los humanos aprenden también actúen porque nuestra neocorteza esencialmente puede hervirse hasta un motor sensorial altamente sofisticado (y quiero decir altamente).

A partir de ahí, las aplicaciones son infinitas.

Los humanos tienen cerebros muy inteligentes con los que piensan y crean maravillas. Los humanos están intentando construir un dispositivo o una máquina que funcione de manera similar a los cerebros humanos y, por supuesto, mejor que los cerebros humanos, lo que pueden hacer. Sí, está demostrado que un algoritmo puede vencer a los cerebros humanos, el mejor ejemplo, Alpha Go, donde un programa de computadora ha derrotado a los Campeones del Mundo en el juego de ajedrez chino llamado “Go”

En el mundo real, es muy difícil escribir el código de cientos de líneas al predecir cada escenario a través de la codificación general, incluso si escribe cientos de líneas de código, ¿y si la máquina se encuentra con un nuevo escenario? Por lo tanto, existe la necesidad de construir algoritmos que ayuden a las máquinas a aprender por sí mismas.

A través del aprendizaje automático, la máquina aprende por sí misma al comprender los datos históricos. El aprendizaje automático se trata de métodos aplicados para las predicciones. Cuanto más ingrese datos de entrenamiento al algoritmo, más precisas serán las predicciones.

El aprendizaje automático consiste en clasificación, grupos, regresiones, etc. No vamos a discutir Clasificación, Clusters, Regresiones. Las 10 mejores aplicaciones de Machine Learning

Además de la detección regular de correo electrónico no deseado, los sistemas de recomendación, el reconocimiento de voz, etc., a continuación se presentan algunas aplicaciones de aprendizaje automático realmente interesantes que encontré en https://www.lauradhamilton.com .

  1. Seal Mobile ID está tratando de reconocer al usuario de un dispositivo móvil en función de los datos del acelerómetro (cómo sostiene y mueve el teléfono).
  2. La Online Privacy Foundation patrocinó un concurso para ver si es posible predecir si alguien es un psicópata en función de su uso de Twitter. (De acuerdo con la tabla de clasificación, puedes hacerlo).
  3. Fast Iron quiere predecir el precio de venta de una pieza de equipo pesado, esencialmente crear un Libro Azul para excavadoras.
  4. Del mismo modo, Carvana está construyendo un modelo para determinar si un automóvil comprado en una subasta es un limón.
  5. Marinexplore y la Universidad de Cornell están tratando de identificar ballenas en el océano basándose en grabaciones de audio para que los barcos puedan evitar golpearlas.
  6. Dunnhumby y hack / reduce están tratando de predecir de antemano si el lanzamiento de un producto será exitoso o no.
  7. La Universidad Estatal de Oregón está buscando determinar qué especie de ave está / está en una grabación de audio dada recolectada en condiciones de campo.
  8. Amazon está buscando un modelo para “predecir las necesidades de acceso de un empleado, dada su función laboral”. Si los nuevos empleados comienzan con permisos inadecuados, entonces es un tiempo costoso para ellos enviar documentos de solicitud de acceso, obtener la aprobación del supervisor y obtener acceso de TI. Si Amazon puede crear un sistema de permisos más inteligente con un modelo de aprendizaje automático, puede ahorrar bastante tiempo y dinero.
  9. Benchmark Solutions está tratando de predecir el precio comercial de los bonos corporativos estadounidenses.
  10. StackOverflow quiere un modelo que prediga qué nuevas preguntas se cerrarán.

El aprendizaje automático es una de las industrias de más rápido crecimiento. Empresas como Google, Baidu, Facebook se están centrando mucho en este sector. Algunas de las aplicaciones interesantes que se aplican actualmente en la industria son:

1. Los nuevos algoritmos de ML de Google y MIT retocan sus fotos antes de tomarlas.

2. Facebook y Prisma han creado filtros artísticos que imitan a pintores famosos.

3.Motor de búsqueda chino: Baidu ha creado DeepVoice, una red neuronal profunda que puede generar voces humanas completamente sintéticas que son muy difíciles de distinguir del lenguaje humano genuino . La red puede “aprender” las sutilezas únicas en la cadencia, el acento, la pronunciación y el tono para crear recreaciones inquietantemente precisas de las voces de los hablantes.

4. Edgecase planea ayudar a los clientes de compras en línea a elegir el producto final entre el conjunto de productos deseados. Su objetivo es hacer que la navegación informal en línea sea más gratificante y más cercana a la experiencia minorista tradicional.

5. Se han utilizado algoritmos de aprendizaje de máquinas para predecir terremotos .

6.Estos algoritmos se han utilizado para predecir si alguien es psicópata en función de su uso de Twitter.

7. ML proporciona un gran impacto en el sector de la salud al diagnosticar el cáncer, controlar a los pacientes con diabetes, etc.

8. TensorFlow de Google se hizo popular entre los investigadores y desarrolladores y ahora han introducido TensorFlow-Lite que funciona en dispositivos como dispositivos móviles y mejorará su experiencia móvil con la seguridad de los datos, ya que los datos nunca saldrán del dispositivo. Este proceso no requiere red conexión y es más rápido ya que se ejecutará localmente en el dispositivo.

Una de las aplicaciones interesantes del aprendizaje automático podría ser su criada doméstica interactiva, es decir, una fracción de la funcionalidad de JARVIS representada en el universo Marvel.

Una de las funcionalidades es el intérprete de lenguaje interactivo y el controlador interno de diferentes sistemas instalados en el perímetro. Ya tenemos suficientes componentes y tecnología para implementar lo mismo. Con la ayuda de English Grammer (o cualquier gramática libre de contexto que pueda usarse para representar un idioma), herramientas de procesamiento de lenguaje natural como NLTK (fuente: Natural Language Toolkit) o ​​herramientas de Stanford NLP (The Stanford Natural Language Processing Group), wordnet ( Acerca de WordNet – WordNet – Acerca de WordNet) y la búsqueda semántica combinada con un gráfico de conocimiento de autoconstrucción como (NELL: Carnegie Mellon University). Es posible crear un intérprete de lenguaje de última generación.

Luego, conecte el servicio con una interfaz del sistema operativo de Internet de las cosas como tinyOS (página de inicio de TinyOS) o Contiki OS (el sistema operativo de código abierto para Internet de las cosas). Podemos tener un sistema interactivo de voz que controle todos los dispositivos de comunicación en una vecindad.

Creo que será interesante si alguien toma este proyecto.

1) Reconocimiento automático de voz – voz a texto
2) Reconocimiento automático de voz / rostro / huella digital: autenticación del usuario de un dispositivo: computadora portátil / móvil / puertas, etc.
3) Procesamiento del lenguaje natural: análisis programático de sentimientos, análisis de intenciones, traducción automática estadística (google translate), etc.
4) Diagnóstico médico automático: detección de enfermedades a partir de síntomas.
5) Plantas de envasado automático – ejemplo: empaquetar diferentes peces en una cinta transportadora en diferentes latas automáticamente – (del libro duda hart and stock)
6) Detección de correo electrónico no deseado. – google, yahoo, etc. úsalo.
7) Anuncios (sentido de anuncios de Google, anuncios patrocinados) / Motores de recomendaciones (netfix)
8) Bioinformática / biología computacional
9) Neurociencia computacional: (mi proyecto principal de ME se ocupó de una de esas aplicaciones donde se requería “extraer datos” de la conectividad neuronal de los datos de los trenes de espiga neuronal)
10) Categorización de contenido (imagen, video, texto)
11) Detección de actividad sospechosa de CCTV: presencié esta investigación realizada por un amigo en mi alma mater usando modelos de probabilidad / ML
12) Minería de patrones frecuentes: análisis de la canasta de mercado: mantener juntos los artículos comprados con frecuencia en un súper mercado, a) Reemplazar inteligentemente el artículo “dependiente” más barato por uno más costoso para aumentar las ventas / obtener más ganancias. b) aumentar las compras por unidad de tiempo invertido (no validado por investigación / hallazgos / texto, es mi pensamiento desde los días de la universidad) yc) recomendar que “tal vez quieras este artículo también” :). La minería de patrones frecuente no es computacionalmente trivial, ya que puede parecerle al laico.
13) En gran medida: todas las aplicaciones de las técnicas estándar de aprendizaje automático / minería de datos: agrupamiento, clasificación, regresión, episodio frecuente, patrón frecuente, modelos de probabilidad, etc.

La inteligencia artificial (IA) está en todas partes. La posibilidad es que lo esté utilizando de una forma u otra y ni siquiera lo sepa. Una de las aplicaciones populares de IA es Machine Learning (ML) , en la que las computadoras, el software y los dispositivos funcionan a través de la cognición (muy similar al cerebro humano).

Descargue el folleto en PDF para obtener más información [protegido por correo electrónico] Aprendizaje automático como mercado de servicios

El mercado global de aprendizaje automático como servicio (MLaaS) está aumentando rápidamente debido principalmente a la revolución de Internet. El proceso de conectar el mundo prácticamente ha generado una gran cantidad de datos que está impulsando la adopción de soluciones de aprendizaje automático. Esto se debe a que la implementación del aprendizaje automático mejora la velocidad y la precisión de las funciones realizadas por el sistema.

Las posibles aplicaciones del aprendizaje automático son:

  • Asistentes personales virtuales
  • Predicciones mientras viaja
  • Vigilancia de videos
  • Spam de correo electrónico y filtrado de malware
  • Refinación de resultados del motor de búsqueda

More Interesting

¿Qué conceptos debería practicar en la programación antes de ir a Machine Learning?

¿Cuáles son algunos de los documentos fundamentales sobre el aprendizaje profundo?

¿En qué tipos de búsqueda falla más claramente Google? ¿Y qué vías y sitios abordan estos problemas mejor o más prometedora?

¿Le resulta aburrido resolver los problemas de aprendizaje automático tipo kaggle intelectualmente aburrido (en comparación con la programación competitiva, por ejemplo)?

¿Podría la red neuronal de convolución completa aprender a discriminar entre clases si no hay muestreo descendente y la entrada es igual a salida?

¿Qué es una red cortical recurrente?

Quiero aprender a extraer datos de un sitio web. ¿Donde debería empezar?

Usando TensorFlow, ¿cómo construiría una IA que pueda reconocer patrones en secuencias numéricas y luego transmitir el patrón al usuario? Está destinado a aprender los patrones que le doy de comer.

¿Qué es más poderoso, la red neuronal convolucional o la red artificial? ¿Cuál es más conveniente de usar?

Antes de elegir y aplicar incluso el modelo de aprendizaje automático lineal más simple, ¿qué aspectos estadísticos de los datos debo considerar?

¿Cuál es el mejor clasificador HOG de detección de peatones para descargar?

Cómo explicar el desempeño de un modelo predictivo a la gerencia que no conoce el aprendizaje automático

¿Cuál es el mejor paquete R para predecir la causalidad entre dos flujos de datos de series temporales?

¿Qué es un perceptrón?

¿Cuáles son los mejores usos de Deep Learning para la clasificación de relevancia de búsqueda?