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

Tras saber que podemos aplicar el estilo común de un conjunto de cuadros de Van Gogh (también puede hacerse con otros muchos artistas) e incluso que podemos aplicar de forma general el estilo de una imagen en otra, ahora nos queda saber si podemos aplicar un concepto más "general" a una imagen. Me explico: Imaginaos que pudiésemos  convertir cualquier foto en una pesadilla . Múltiples ejemplos de ello han sido generados por el Massacusetts Institute of Technologies . Aquí tenéis el Coliseo Romano, Stonehenge y el Palacio Real de Madrid convertidos en escenarios dantescos, todo realizado de forma automática a través de redes neuronales que han aprendido qué es lo fantasmagórico y lo grotesto . Por supuesto el proceso no están automático. En la práctica se necesita una persona para que indique una guía del mejor camino a seguir y se necesita mucho tiempo de ensayo y error hasta dar con los parámetros adecuados. En general a todos estos procesos de manipulac

Veamos otros usos espectaculares de Deep Learning y la Inteligencia Artificial en la creación artística visual. Veremos si es posible aplicar " el estilo de una imagen " en otra imagen cualquiera. El artista Kyle McDonald parte de una foto de Marilyn Monroe y de una foto del monte Fuji . A partir de ahí empieza a aplicarle diferentes estilos que obtiene de diversas obras pictóricas. Aquí os mostraremos un par de ejemplos pero echad un vistazo al trabajo completo en http://kylemcdonald.net/stylestudies/ . Empezamos aplicando el estilo de Fruit, de Alphonse Mucha Vemos que se puede aplicar el estilo del cuadro del pintor checo en la foto de Marylin y del monte Fuji.  Y ahora aplicamos el estilo de picasso:     Conseguir unos resultados tan espectaculares no es sencillo, pero el resultado es sorprendente.

Se están desarrollando sorprendentes usos de DeepLearning en la creación artística . Imaginad una red neuronal de múltiples capas que alimentemos con cuadros de Van Gogh: Autorretrato, Campo de Tigo, Terraza de Té, etc... y la entrenamos parta almacenar la información de esos cuadros. Algunas capas almacenarán información del fondo, otras de los objetos que aparecen en las imágenes, pero, ¿es posible que en alguna de sus capas la red haya almacenado "el estilo" de Van Gogh. Si eso fuese cierto entonces seríamos capaces de extraer dicho estilo y aplicarlo a imágenes o fotografías que nada tengan que ver con el artista, pero  que tras aplicarle el estilo parecerán una obra suya . Es decir, ¿puede " vangoghrizarse " una foto En la Universidad de Tubingen, Alemania , lo han conseguido: Dada una foto que podría haber hecho cualquiera pues se puede aplicar el estilo del artista. Pero todavía podemos ir más allá y hacerlo con video. Utilizando el estilo de V