Machine Learning Spain XXX

Hola, apasionados de los datos. Ya tenemos fecha para un nuevo meetup de ML Spain, que será el jueves día 21 de junio a las 19:00h en Campus Madrid.

Os convocamos a las 19.15 porque el aforo para la charla previa de Luis Cobo, Research Engineer en Deepmind y líder del equipo de Wavenet, ya está completo.

Tras la presentación de Luis, daremos paso a nuestra agenda:

19:30 - Cerveza fresquita

19:45 PHA. Aprendiendo a conocer desde la experiencia predictiva. Un nuevo algoritmo de aprendizaje no supervisado

Javier Aróztegui
Data Scientist en OpenSistemas

En las áreas de Aprendizaje Automático y de Inteligencia Artificial, a menudo sacamos ventaja de observar cómo se resuelve un problema natural. Ya sea la optimización que realiza el cerebro al ajustar sus redes neuronales, la de la selección natural primando ciertos genes o la de las colonias de hormigas al explorar el entorno para elegir y optimizar rutas, la naturaleza está llena de ejemplos muy útiles.

Desde que nacemos, nuestra observación constante del entorno junto a las pistas que nos dan las personas de nuestro entorno, son los ingredientes para formar nuestra comprensión de nuestro mundo. Un claro caso de aprendizaje no supervisado, pero, ¿cómo lo hace el cerebro?

PHA es un nuevo algoritmo de aprendizaje no supervisado para redes neuronales artificiales que da respuesta a esa pregunta. Aplicándolo a las grandes cantidades de datos que tienen las organizaciones, un universo de clientes, procesos, competidores, productos, ventas, etc., puede dar pie a una comprensión detallada de tipos de clientes y sus características típicas, lo mismo que de las demás entidades relevantes. Este conocimiento fruto de este aprendizaje es la base para reconocer (clasificar) ante qué tipo de cliente, de oportunidades de venta, de tipo de producto, etc, estamos. También nos ayuda a anticipar (predecir) el curso posterior asociado a las diversas tipologías descubiertas. Unas inferencias muy útiles para tomar decisiones potenciadas por la experiencia previa aquilatada en la organización y convertida por estos modelos en un sistema inferencial automatizado y práctico.

20:15 Multimodal systems: When a single model learns it all

Ricardo Kleinlein

Nuestra comprensión de la realidad (y por ende nuestro aprendizaje) viene muy influido por la combinación de la información procedente de diferentes sentidos combinados (vista y tacto, oído y vista...). Es natural preguntarse entonces, ¿puede una única red neuronal aprender a realizar diferentes tareas con diferentes tipos de datos? Nos adentramos en redes multi-modal, donde datos en forma de imágenes, audio, lenguaje, texto... son combinados en un único sistema que puede procesar con un mismo entrenamiento tareas que tradicionalmente requerían sistemas entrenados específicamente para cada fin.

Revisaremos el estado del arte de este tipo de arquitecturas, discutiendo sus motivaciones y limitaciones, para terminar introduciendo las líneas principales de Deep-MultiSpeech, un proyecto en colaboración con el National Institute of Informatics de Japón centrado en la aplicación de estas ideas en el campo del habla natural.

Si queréis proponer vuestras propias charlas para futuros eventos, podéis hacerlo en este cuestionario ( https://docs.google.com/forms/d/e/1FAIpQLSfKXUIz4R2aNWUP8WUrEEijidARGmvkllfgwBnfMZuUR30AKA/viewform?c=0&w=1 ) y también podéis enviarnos un mensaje por aquí. Mantendremos siempre abierto el C4P para recoger las charlas más interesantes.

La evolución del evento y algunas fotos estarán en la cuenta de Twitter @ml_spain ( https://twitter.com/ml_spain )

Nos vemos en Campus Madrid.