Machine Learning + Deep Learning

Bueno, pues me muevo a la plataforma de blog Medium. Esperamos que esto sirva para mejorar tanto la escritura como la lectura de los posts! Nuevo enlace: https://medium.com/@FelixVelSal

Otro ejemplo de uso de Machine Learning es la detección de amaños en las apuestas de eventos deportivos. En estos casos los propios deportistas propician esultados poco probables ; en el ejemplo del fútbol podrían ser un alto número de goles en el partido, un alto número de saques de esquina, una improbable remontada en los últimos minutos, etc. Los propios deportistas apuestan ellos mismos o a través de intermediarios en alguna plataforma online a sabiendas de lo que va a ocurrir en el partido . Entamos entonces tratando con casos de comportamiento inusual : importes repentinamente altos de apuestas en eventos poco probables. Es un caso idóneo para aplicar algún algoritmo de Machine Learning.   No sólo el fútbol se ve afectado, si no también muchos otros deportes Se podría pensar en poner a una persona a analizar los datos después de cada jornada estimando "a ojo" sobre una heurística subjetiva definida por algún analista pero los defraudadores se adap

Detengámonos en un ejemplo práctico de uso de Machine Learning: Tengo la información de varios años de los precios de venta de viviendas en todo el país junto con docenas de características de cada vivienda: localización , m2, nº de habitaciones, sueldo medio de la zona, etc. ¿Puedo calcular el precio óptimo de una vivienda para este año?  Este es un gran ejemplo de lo útil que puede resultar Machine Learning para aligerar ventas y mejorar ganancias . No queremos tener a la venta una vivienda a un precio superior al de mercado (no se venderá) ni tampoco queremos tener un precio inferior y reducir el margen de beneficio. Actualmente el precio se establece "a ojo" por el profesional inmobiliario "según a lo que se hayan vendido otras viviendas similares de la zona" .  El problema de la subjetividad es que se nos pueden pasar por alto la influencia que tienen ciertas características en el precio. Por ejemplo, una vivienda de dos dormitorios y 70 m2

Apps de espionaje desarrolladas por la CIA , televisores y otros aparatos que graban tus conversaciones a la nube... Últimamente salen a la luz noticias inquietantes sobre el tratamiento de nuestros datos personales. Cuando he hablado con amigos o conocidos sobre la información que guardan los gobiernos sobre nosotros, en general me ha sorprendido la poca importancia que se le da a la privacidad . Las nuevas tecnologías de Inteligencia Artificial, como el procesamiento de lenguaje natural y redes neuronales modernas  permiten obtener de forma automática nuestra información personal tanto en detalle (transcripción de audio, descripción del contenido de nuestras fotos) como a alto nivel (perfil detallado de nuestras vivencias y personalidad) a partir de la huella que dejamos el Internet y la información que recolectan los objetos de la IoT.  Esto puede ser muy útil para localizar a un terrorista pero se pueden dar otras circunstancias en las que esta información se vuel

En un artículo anterior explicábamos para qué sirve Machine Learning . Deep Learning va un paso más allá y actualmente es una de las áreas principales de investigación en la Inteligencia Artificial. Al igual que en Machine Learning, se parte de un conjunto grande de datos y se infiere nueva información pero de forma mucho más profunda . Si en Machine Learing usamos una red neuronal con un par de capas intermedias en Deep Learning usaríamos decenas de capas intermedias , y por tanto Deep Learning sería el estudio de cómo organizar dichas capas para almacenar y generar nueva información. Ahora no solo podremos simplemente reconocer un los objetos que aparecen en una película analizando los fotogramas, si no que se pueden realizar descripciones de alto nivel de las escenas, ya que la información de alto nivel conceptual se queda almacenada en las capas más profundas de la red neuronal. Una red neuronal compleja almacena por separado los contornos de los objetos, las texturas y

En otro post dábamos un listado de casos de uso de Machine Learning, y es hora de explicar con más detalle algunos ejemplos. Imagina que tenemos trabajamos para una gran compañía como Amazon y tenemos y completo historial de compras de los usuarios de nuestro portal de venta, así como de las reclamaciones, devoluciones, navegación por el portal, etc Lo que queremos saber es la probabilidad de que un cliente compre un determinado  artículo, para saber qué  recomendarle. Sería muy sencillo mostrarle su historial de búsqueda o los accesorios para artículos que ya ha comprado.  Para eso no necesitamos Machine Learning. Pero nuestro objetivo es mucho más ambicioso: predecir qué  producto va a comprar. Por ejemplo si el cliente ha comprado artículos para sembrar césped probablemente tenga un jardín y necesitará otras herramientas relacionadas : cortadora de césped, podadora, etc y las querrá dentro del rango de precios en el que compra habitualmente.  De nuevo sería se

Probablemente hayas oído hablar del concepto Machine Learning pero no tengas ni idea claro para qué sirve. Conviene enterarse, porque después la competencia se te adelanta y ya sólo queda lamentarse. Aquí presento una lista no exhaustiva: Deportes Prever rendimiento deportistas sin depender de las corazonadas de los ojeadores Marketing Detectar si un cliente va a abandonar la empresa La tarifa aplicable a un cliente Sacar un perfil completo del cliente Prever la demanda de un artículo Personalizar oferta a un cliente Prever la demanda de un articulo en una determinada fecha Determinar si una comunicación con un cliente va a resultar en una compra Determinar los clientes que es más probable contraten un servicio Ingeniería Detectar fallos en fabricación de piezas (la medidas individuales son correctas pero el conjunto falla) predecir la localización de pozos de petróleo, de los bancos de peces en el mar, etc.   Tareas de clasificación Mejorar la colocación de lo