Ingeniero de Telecomunicación y doctor en Ingeniería de Telecomunicación especializado en procesamiento de señal y machine learning por la Universidad Carlos III de Madrid, Felipe Alonso Atienza ha desarrollado gran parte de su carrera profesional como profesor en la Universidad Rey Juan Carlos realizando tareas docentes e investigadoras. En el ámbito investigador, ha dirigido varios proyectos competitivos y publicado más de 15 artículos internacionales relacionados con la aplicación del machine learning a la salud.

El grupo Magenta de Google ha creado NSynth Super un dispositivo basado en Raspberry Pi que utiliza Machine Learning con TensorFlow para explorar nuevos sonidos y melodías a músicos y artistas. Es de totalmente abierto y tu mismo lo puedes fabricar en tu propia casa o taller.

En los últimos años, Google ha estado construyendo su propio TPU (unidades de procesamiento Tensor) para manejar diversas tareas de procesamiento relacionadas con la inteligencia artificial y el aprendizaje automático. Según el CEO de Google Sundar Pichai, los nuevos TPU 3.0 son 8 veces más poderosos que los TPU 2.0, y Pichai declaró que necesitan refrigeración por agua, algo que los anteriores TPU no necesitaban.

Un equipo de científicos ha creado un modelo que permite predecir cómo crecerán las plantas, de forma que se pueden controlar mejor los cuidados agrícolas.

Machine Learning cataloga el sonido de miles de especies de aves de manera automática.

El aprendizaje automático ha permitido que las máquinas adquieran conocimientos tácitos, haciendo que cada día más tareas estén siendo automatizadas con sistemas basados en aprendizaje máquina o aprendizaje profundo. Identificar qué es susceptible de ser replicado por estos sistemas, y que no lo será por un tiempo, nos permitirá a todos a prepararnos para el futuro. Los expertos Erik Brynjolfsson (MIT) y Tom Mitchell (Carnegie Mellon University) han publicado un estudio al respecto.

La tarea de moderación de comentarios en un medio de comunicación puede resultar, en muchos casos, implanteable mediante medios simplemente humanos, y convertirse en un verdadero problema que puede exponer al medio a potenciales riesgos jurídicos o, en la mayoría de los casos, convertir sus sección de comentarios en un auténtico vertedero de material tóxico. Los algoritmos aspiran a solucionar la situación.

Backprogation fue uno de los grandes avances que impulsaron el mundo de la Inteligencia Artificial y en concreto, las redes neuronales.

En un primer momento el aprendizaje se basa en predecir, partiendo de un video, cuál será el aspecto de un fotograma posterior. Como en este caso sí se dispone de dicho fotograma, la red neuronal es capaz de comprobar su tasa de acierto y corregir los errores para mejorar en el siguiente intento

Primera parte del curso, originalmente de distribución interna en Google, "Making Friends with Machine Learning", creado para inspirar a principiantes y para divertir a expertos.

Un equipo de matemáticos italianos, incluido un neurocientifico del centro CCU, en Lisboa, muestran que la vision artificial de las maquinas pueden aprender a reconocer imagenes complejas mas rapidamente usando una teoria matematica desarrollada hace 25 anos por uno de los co-autores del estudio. Los resultados han sido publicados en el journal Natural Machine Intelligence.

Google ha puesto sus herramientas de inteligencia artificial basadas en redes neuronales a disposición de los desarrolladores en la nube. Con estas herramientas, la aplicación puede aprender y de este modo adaptarse a una situación. También, es capaz de detectar patrones y asociarlos. Google ya usa estos servicios en las búsquedas de imágenes y por voz, en las traducciones y en las respuestas inteligentes de Inbox. Ahora los desarrolladores podrán crear modelos de aprendizaje automático basándose en datos. En español: goo.gl/ZXRCyh

El objetivo de este curso es darte una compresión general del área del aprendizaje automático, abarcando teoría, aplicación, y el funcionamiento de algoritmos supervisados, no supervisados y de aprendizaje profundo

Hace unos meses se daba a conocer el proyecto FlowMachines donde han desarrollado una red neuronal que ha aprendido a componer cantatas corales al estilo de Bach, un sistema que han bautizado como DeepBach. Gaetan Hadjeres y Francois Pachet, responsables del proyecto, han entrenado a esta red neuronal utilizando la técnica de machine learning. Con esto, el sistema es capaz de componer melodías que suenan como si pertenecieran a Bach, además de tener la capacidad de tomar canciones existentes para armonizarlas bajo este mismo estilo.

Los roboadvisers son conjuntos de algoritmos altamente sofisticados, a los que se les ha dotado con capacidades de machine y deep learning y cuyo único objetivo es la gestión automatizada de inversiones bursátiles.

Por esta razón un proyecto de DARPA está intentando crear algoritmos capaces de explicar por qué toman sus decisiones. Lo llaman inteligencia artificial explicable. Un centenar de investigadores están en ello y aunque el ejemplo del reconocimiento de la figura de un gato pueda parecer un tanto trivial, el asunto se complica cuando hay que justificar una decisión médica o de negocios. El proyecto de momento se centra en los sistemas y algoritmos de aprendizaje automático (machine learning) que son en cierto modo los que aprenden.

La directora general de Google en España y Portugal, Fuencisla Clemares, destaca el impacto que pueden tener tecnologías como los asistentes virtuales o el 'machine learning' en el sector del gran consumo, tanto a la hora de gestionar el negocio como de optimizar la relación con los clientes. "¿Estáis cansados de oír hablar de transformación digital? Pues tengo una mala noticia porque vamos a seguir hablando de transformación digital durante mucho tiempo.

Las empresas que fabrican productos físicos de hoy en día están produciendo una variedad más amplia y un mayor volumen de datos que nunca en su historia. Pero estos datos no se están utilizando correctamente. El Big Data y el Machine Learning están perfilando una nueva era en la ingeniería.

La ceremonia de entrega de los Oscars, recién concluida hace unos instantes, me ha dejado un sabor de boca muy interesante: los galardones han ido cayendo, uno detrás de otro, siguiendo las predicciones publicadas anteriormente por los algoritmos que, el pasado 1 de marzo, publicó BigML, la compañía de machine learning en la que soy asesor estratégico. Y cuando digo “uno detrás de otro”, realmente me refiero a eso: un pleno. Absoluto.

Un artículo en The Atlantic, “The era of fake video begins“, subraya el problema que surge cuando el desarrollo del machine learning hace perfectamente posible crear vídeos manipulados en los que se puede obtener prácticamente cualquier efecto, desde insertar una cabeza en un cuerpo de otra persona con un nivel de perfección que convierte el cambio en prácticamente imperceptible, hasta cambiar el movimiento de los labios de un personaje y su voz para que parezca que dice algo que no ha dicho.

Un grupo de investigadores de Nvidia, el MIT y la Universidad de Aalto quieren acabar con el ruido en las fotografías. Lo están haciendo entrenando a un sistema de inteligencia artificial al que han llamado Noise2Noise, y al que han estado entrenando con 50.000 imágenes de ImageNet, escaneos de resonancias magnéticas, e imágenes generadas por ordenador. Se podrá usar en fotos astronómicas o en imágenes biomédicas y será presentado en la Conferencia Internacional de Machine Learning de Estocolmo. En español: bit.ly/2KMcr2O

IA, machine learning, redes neuronales… Demasiados términos que a la mayoría de la gente les suena a ciencia ficción. Sergio Rozada, científico de datos, no acerca estos términos de forma sencilla.

Edge TPU es un pequeño acelerador de inteligencia artificial, cuyo objetivo es llevar a cabo trabajos de machine learning de forma local en dispositivos IoT y otro tipo de productos conectados.