¿Cuáles son algunos estudios de caso excelentes en el aprendizaje automático?

  1. Winestein, la computadora con gusto por el vino:

Un problema común cuando organizas una cena o cuando estás en un restaurante y obtienes la lista de vinos: ¿qué vino va mejor con tu plato?
Inicio – Winestein es un portal web para el vino. Una de sus características distintivas es Winestein, el sumiller en línea. Puede ingresar cualquier plato de su elección ingresando ingredientes y método de cocción. Entonces winestein aconsejará vinos coincidentes.

(fuente: Vins d’Alsace)

WineStein es un programa informático de autoaprendizaje que adquirió su conocimiento sobre coincidencias de vino y comida a partir de una gran cantidad de ejemplos. Inicio – Winestein proporcionó experiencia y datos de dominio. SMART Research BV (punto de venta comercial de SNN) analizó los datos, diseñó los algoritmos de aprendizaje automático y desarrolló el núcleo computacional de Winestein.
Se puede acceder a Winestein a través de www.winewinewine.com, o como una aplicación para iPhone.

2. La identificación de víctimas de desastres (DVI) , es decir, la identificación de víctimas de un desastre masivo, se ve facilitada en gran medida por la llegada de la tecnología moderna de ADN.

En casos con una víctima, la identificación es una tarea razonable y directa para los investigadores forenses. En el caso de algunas víctimas, el acertijo para unir a las víctimas y las personas desaparecidas a menudo todavía se puede hacer a mano (ya sea usando una hoja de cálculo o con herramientas de software disponibles en Internet). Sin embargo, la DVI a gran escala no es factible de esta manera y una rutina automatizada es indispensable para los institutos forenses que necesitan estar preparados para la DVI.

El sistema Bonaparte se ha desarrollado como una herramienta para que los investigadores forenses realicen automáticamente la comparación de ADN. En su esencia, la biología de la herencia mendeliana se modela utilizando redes bayesianas. Estos modelos pueden aplicarse directamente en el análisis de parentesco con cualquier tipo de pedigrí de familiares de las personas desaparecidas. Una ventaja adicional de un enfoque de red bayesiana es que hace que la herramienta de análisis sea más transparente y flexible, permitiendo incorporar otros factores que juegan un papel, como la probabilidad de error de medición, datos faltantes, estadísticas de marcadores genéticos más avanzados, etc.

Un poco más en – Machine Learning Market

EDITAR: Esta pregunta originalmente solicitó un estudio de caso de ML donde falló.

Pathan dio dos excelentes ejemplos de casos de éxito de aprendizaje automático y creo que entiendes lo esencial. Encontrar un caso de aprendizaje automático fallido será mucho más difícil. ¿Por qué? Bueno, ¿por qué alguien publicaría un modelo fallido? Además, la mayoría de los modelos de aprendizaje automático tienen al menos algo de éxito. Sin embargo, intentaré darle un ejemplo de un escenario en el que ML no funciona.

Durante años y años, los científicos han estado tratando de encontrar un modelo que pueda predecir con precisión los altibajos del mercado de valores. Si alguien pudiera hacer esto, bueno, habrían alcanzado el premio gordo teórico. Muchos han concluido que el flujo del mercado de valores se basa en la teoría de la caminata aleatoria y la hipótesis del mercado eficiente. El EMH dice que los precios de las acciones dependen en gran medida de la nueva información (también conocida como “Noticias”) y de las emociones, en lugar de la información pasada, que es desfavorable al hacer un modelo autorregresivo. Dado que las noticias y la emoción son impredecibles, los precios de las acciones siguen un camino aleatorio y no se pueden pronosticar con más del 50% de precisión.

Esto no quiere decir que el aprendizaje automático haya fallado. Estoy seguro de que algunos de estos modelos, aunque imperfectos, al menos han proporcionado alguna información y conocimiento sobre lo que el mercado va a hacer.

Recientemente, sin embargo, un científico de datos llamado Johan Bollen cuestionó la idea de que el mercado de valores sigue un camino aleatorio. Él planteó la hipótesis de que el mercado de valores se puede predecir a través de indicadores socioeconómicos muy tempranos que podrían extraerse de las redes sociales y los blogs. Su modelo recibió una precisión del 87,6% en la predicción de la subida y bajada diaria del DJIA, así como un MAPE de alrededor del 6% en los valores de cierre. Puedes leer más sobre esto aquí

Eche un vistazo y vea si es bueno. Es por Google.
Mejores centros de datos a través del aprendizaje automático

El documento técnico: Google Drive Viewer