Actualmente en internet hay gran cantidad de datos, la mayoría de ellos sin un etiquetado o clasificación específica. Aplicar la idea de aprendizaje en este tipo de datos es interesante, varios estudios han utilizados dos métodos: semi-supervisado y no supervisado.

Un primer vistazo a estas información consiste en encontrar patrones, el clustering ayuda a agrupar datos con características similares y mejora la comprensión de ellos. En el siguiente artículo se explicado superficialmente el concepto de clustering y suis tipos.

Más información: https://recast.ai/blog/introduction-text-clustering/

NVIDIA ha creado un sistema basado en el aprendizaje profundo (Deep Learning), conocido como PilotNet, que aprende a emular el comportamiento de los conductores humanos y se puede implementar como un controlador de automóvil autónomo. PilotNet está entrenado usando imágenes de carreteras emparejadas con los ángulos de dirección generados por un humano que maneja un automóvil de recolección de datos. Deriva el conocimiento de dominio necesario de los datos. Esto elimina la necesidad de que los ingenieros humanos anticipen lo que es importante en una imagen y prevean todas las reglas necesarias para una conducción segura.

En el siguiente post se muestra como funciona esta arquitectura y como se utiliza Deep Learning:

Más información: https://devblogs.nvidia.com/explaining- ... iving-car/

ImageNet es una gran base de datos diseñado para su uso en la investigación del reconocimiento de objetos por un software, contiene cerca de 14 millones de URL's de imagenes anotadas con el objeto que representa. Desde el 2010, este proyecto es ejecuta en un concurso llamado mageNet Large Scale Visual Recognition Challenge (ILSVRC, o el desafío de reconocimiento visual de gran escala ImageNet, por su traducción al español).

El siguiente artículo se realiza un listado de las principales arquitecturas ganadoras de este concursos y los nuevos conceptos que han introducido en las redes neuronales convolucionales. Por ejemplo: Alexnet, GoogleNet, VGG, entre otras más.

Más información:

La mayoría de las personas eligen los valores de los parámetros de sus modelos o arqutecturas de aprendizaje profudo en base a su experiencia, intuición y una especie de prueba y error, esto no nos permite conocer con exactitud la eficiencia de nuestro modelo.
El siguiente artículo explica una serie de consejos que nos ayudan a seleccionar de mejor manera los parámetros de nuestro modelos, para ello utiliza una base de datos de imágenes llamada "Fashion MNIST" (conjunto de imágenes de prendas de vestir). Este artículo trata sobre el ajuste de hiperparámetros en Redes densas o full-connected y establece los principios básicos.

Más información:

La convolución es probablemente el concepto más importante en el aprendizaje profundo en este momento. Fue la convolución y las redes convolucionales que catapultaron el aprendizaje profundo a la vanguardia de casi cualquier tarea de aprendizaje automático que exista.
Pero, ¿qué hace que la convolución sea tan poderosa? ¿Como funciona? En este artículo se explica la convolución y se reloaciona con otros conceptos que ayudan a comprender la convolución a fondo.

Más información: http://timdettmers.com/2015/03/26/convo ... -learning/

Las CNN's (Convolutional Neuronal Network, o Redes Neuronales Convolucionales, por su traducción) son un tipo de Red Neuronal desarrollado para la computación visual. El siguiente articulo da una breve guía de cómo funcionan y cómo estas han sido diseñadas en base a cómo el cerebro humano reconoce, analiza e identifica patrones en las imágenes que recibe a través de nuestro ojos.

Más información: https://medium.freecodecamp.org/an-intu ... 0c2de0a050

Las capas convolucionales, las capas de reducción o pooling y las capas totalmente conectadas o fully-connected, son las bases del Aprendizaje profundo. Sin embargo, la primera de estas, la capa convolucional es dificil de comprender y su implicancia en el aprendizaje profundo.

En el siguiente articulo se explica como funciona esta capa, sus diferentes variedades y ejemplos de los mismo desarrollado en el lenguaje de programación Python, con ayuda de algunas librerías.

Más información: http://machinelearninguru.com/computer_ ... layer.html

Las redes neuronales convolucionales (CNN) son conceptos cada vez más importantes en ciencias de la computación y encuentran cada vez más aplicaciones en diferentes campos. Muchas publicaciones en la web tratan sobre la aplicación de redes neuronales convolucionales para la clasificación de imágenes, ya que la CNN es un tipo muy útil de redes neuronales para la clasificación de imágenes.
Pero las redes neuronales convolucionales también se pueden usar para aplicaciones distintas de las imágenes, como la predicción de series de tiempo.
El forecasting se encarga de la predicción de resultados del futuro en base a datos del presente y pasado, utilizado mayormente en el análisis de tendencias.
Esta publicación está revisando documentos existentes y recursos web sobre la aplicación de CNN para pronosticar datos de series de tiempo. Algunos recursos también contienen el código fuente de Python.

Más información: http://intelligentonlinetools.com/blog/ ... -networks/

El aprendizaje por reforzamiento es un importante tipo de Machine Learning, se caracteriza porque existe un agente que aprende a tener un comportamiento en un ambiente del cual recibe estímulos o castigos. Este tipo de algoritmos han sido utilizados en diferentes campos, uno de lo más resaltantes son las conocidas IA's de los videojuegos, que en tiempos recientes han logrado incluso superar a un jugador de videojuegos real.

En el siguiente artículo se explica de una forma muy simple como funciona esta rama de Machine Learning y nos introduce en reciente concepto "Deep Reinforcement Learning" o por su traducción al español Aprendizaje profundo por reforzamiento.

Más información: https://medium.freecodecamp.org/an-intr ... 39519de419

Gracias al esfuerzo de la NASA de identificar a exoplanetas habitables a través de un proyecto de cooperación en el cual voluntarios identificaban órbitas de escombros en estrellas, pues estos escombros pueden ser planetas.

Utilizando esta información recolectada, la NASA ha logrado entrenar un modelo basado en Machine Learning para buscar estas órbitas de escombros en donde hay cerca de 750 millones de posibles fuentes de luz. El modelo ha obtenido un 97% de exactitud.

Más información: http://news.mit.edu/2018/computer-searc ... anets-0330
.