¿Quieres innovar?
¡No te pierdas las 15 tendencias de negocio y consumo a tener en cuenta para capturar ideas y desarrollar proyectos realmente innovadores este año 2015!
¿Quieres innovar?
¡No te pierdas las 15 tendencias de negocio y consumo a tener en cuenta para capturar ideas y desarrollar proyectos realmente innovadores este año 2015!
45 Fotos Históricas: Presentación de 45 fotos históricas desde el siglo XIX al siglo XXI. Presentación muy buena. Desconozco el autor o autora. A mi me la pasó Juan Riutort.
Haciendo visible lo invisible: imágenes en la plataforma ArcGISEsri España
ArcGIS proporciona una plataforma completa para la visualización, gestión, producción, análisis y difusión de imágenes a todas las escalas. Es una plataforma escalable para crear productos con valor añadido integrados en el Sistema de Información Geográfica más completo.
En este workshop mostraremos una visión general de las capacidades de ArcGIS para el tratamiento de imágenes. Haremos un recorrido por las nuevas funcionalidades de ArcGIS Pro para el análisis de imágenes, los recursos disponibles más actualizados y el manejo de las aplicaciones más potentes para poner en práctica la producción, el análisis y la difusión de este tipo de información geoespacial
Survival of the fittest: usando el paquete inspyred para entrenar IAs que jue...Pablo García Sánchez
Charla impartida en la PyconES 23 celebrada en Canarias.
https://charlas.2023.es.pycon.org/pycones-2023/talk/XDTUDT/
Los videojuegos son un campo de pruebas apasionante para el estudio de la Inteligencia Artificial. Debido a que son entornos dinámicos, complejos, con interacción persona/ordenador rica, y que además proporcionan una gran cantidad de datos, podemos aplicar una gran variedad de técnicas vanguardistas de IA, ya sea para jugar al juego, para crear contenido, o para modelar a las personas que lo juegan.
En concreto, la creación de agentes que juegan a videojuegos es un ejemplo de problema muy difícil de resolver, pero el uso de Algoritmos Evolutivos (AEs) se ha demostrado como una técnica muy competente. Los AEs son algoritmos de optimización que simulan la teoría de la selección natural: las soluciones compiten entre sí, las más exitosas se reproducen y pasan sus mejoras a la siguiente generación.
En esta charla introduciremos distintas técnicas de IA usadas en el ámbito de la investigación en videojuegos y nos centraremos en los algoritmos evolutivos y algunas de sus variantes, como los Algoritmos Genéticos, la Programación Genética o las Estrategias de Evolución. Usaremos el paquete "inspyred" como ejemplo, ya que tiene una curva de aprendizaje más asequible para ver lo fácil que es crear tu primer EA, y lo integraremos con algún videojuego, como Hearthstone, para comprobar cómo puede generar agentes tan competentes que incluso pueden ganar competiciones de IA.
45 Fotos Históricas: Presentación de 45 fotos históricas desde el siglo XIX al siglo XXI. Presentación muy buena. Desconozco el autor o autora. A mi me la pasó Juan Riutort.
Haciendo visible lo invisible: imágenes en la plataforma ArcGISEsri España
ArcGIS proporciona una plataforma completa para la visualización, gestión, producción, análisis y difusión de imágenes a todas las escalas. Es una plataforma escalable para crear productos con valor añadido integrados en el Sistema de Información Geográfica más completo.
En este workshop mostraremos una visión general de las capacidades de ArcGIS para el tratamiento de imágenes. Haremos un recorrido por las nuevas funcionalidades de ArcGIS Pro para el análisis de imágenes, los recursos disponibles más actualizados y el manejo de las aplicaciones más potentes para poner en práctica la producción, el análisis y la difusión de este tipo de información geoespacial
Survival of the fittest: usando el paquete inspyred para entrenar IAs que jue...Pablo García Sánchez
Charla impartida en la PyconES 23 celebrada en Canarias.
https://charlas.2023.es.pycon.org/pycones-2023/talk/XDTUDT/
Los videojuegos son un campo de pruebas apasionante para el estudio de la Inteligencia Artificial. Debido a que son entornos dinámicos, complejos, con interacción persona/ordenador rica, y que además proporcionan una gran cantidad de datos, podemos aplicar una gran variedad de técnicas vanguardistas de IA, ya sea para jugar al juego, para crear contenido, o para modelar a las personas que lo juegan.
En concreto, la creación de agentes que juegan a videojuegos es un ejemplo de problema muy difícil de resolver, pero el uso de Algoritmos Evolutivos (AEs) se ha demostrado como una técnica muy competente. Los AEs son algoritmos de optimización que simulan la teoría de la selección natural: las soluciones compiten entre sí, las más exitosas se reproducen y pasan sus mejoras a la siguiente generación.
En esta charla introduciremos distintas técnicas de IA usadas en el ámbito de la investigación en videojuegos y nos centraremos en los algoritmos evolutivos y algunas de sus variantes, como los Algoritmos Genéticos, la Programación Genética o las Estrategias de Evolución. Usaremos el paquete "inspyred" como ejemplo, ya que tiene una curva de aprendizaje más asequible para ver lo fácil que es crear tu primer EA, y lo integraremos con algún videojuego, como Hearthstone, para comprobar cómo puede generar agentes tan competentes que incluso pueden ganar competiciones de IA.
Conceptos básicos de lo que se conoce popularmente como Datamining y Machine Learning como introducción a un taller practico en análisis de genómica funcional.
¿Qué navegadores acceden a mi web? ¿A qué idiomas he de traducir mi aplicación? ¿Cuáles son las horas de mayor tráfico? ¿Alguien utiliza esta funcionalidad que tanto me cuesta mantener?¿...?
En esta sesión explicaremos como poder monitorizar nuestra web o app, pudiendo dar así, desde una respuesta más rápida a las posibles carencias funcionales, hasta ahorrarnos unos cuantos eurillos en infraestructura, o simplemente saber el mítico quien, cuando, donde y porque utilizan mi web o app. Todo esto, y alguna cosilla más, con "4 líneas" de código y otros tantos "clicks"!
¡Tus usuarios te lo agradecerán!
Application insight + stream analytics + Power BI
En las #4Sessions de junio, Adri y Jesús nos presentaron su LumberBot, el bot hipster que analiza los contenidos y tendencias de cualquier tema en Twitter y genera tweets con sentido. Vimos también el sistema de reconocimiento facial que han desarrollado en el departamento de Innovacion de Pasiona.
El análisis simultáneo de información, en conjunto con el procesamiento estadístico suele ser una de las tareas más importantes a nivel global. Por eso uno de los objetivos de este documento es el conocer como el machine learning se convirtió en un pilar fundamental para el trato de datos a gran escala.
Algunos sectores como el informático, salud, corporativo y de transporte. En el transcurso de las últimas décadas han encontrado la solución a esta ardua tarea de aprendizaje y predicción en una de las cuantas disciplinas procedentes de la inteligencia artificial; esta materia o herramienta informática es el machine learning.
Herramienta que buscan mejorar el análisis de datos, en pro de una predicción futura, ya sea por la implementación de nuevos sistemas o simplemente el mejoramiento de los ya existentes, mediante el uso de algoritmos basados en información antigua o reciente que permita el funcionamiento óptimo del sistema a trabajar.
Por otra parte, esta materia promete una gran utilidad en campos como la medicina, robótica, y mecánica. Tanto así que a muchos les preocupa los daños que traerá esta innovadora herramienta consigo. Debido a que, se trata de generar organismos mecánicos capaces de ser más inteligentes, sin que sea necesaria la intervención humana constante, que nos asegura que no seremos mentalmente obsoletos en un futuro al volvernos dependientes de estos sistemas.
Azure insight + Streaming Analytics + Power BI[T]echdencias
¿Qué navegadores acceden a mi web?
¿A qué idiomas he de traducir mi aplicación?¿Cuáles son las horas de mayor tráfico?¿Alguien utiliza esta funcionalidad que tanto me cuesta mantener?¿...?
En esta presentación de las #4Sessions de Jun16 Carmen y Nacho explican cómo monitorizar nuestra web o app, pudiendo dar así, desde una respuesta más rápida a las posibles carencias funcionales, hasta ahorrarnos unos cuantos eurillos en infraestructura, o simplemente saber el mítico quien, cuando, donde y porque utilizan mi web o app. Todo esto, y alguna cosilla más, con "4 líneas" de código y otros tantos "clicks"...¡Tus usuarios te lo agradecerán!
Argentesting 2019 - Machine learning en testing priorizacion de casos de pr...Argentesting
Machine Learning en Testing (Priorización de casos de prueba para una regresión) por Gastón Galera y Lucas Montoya
Sobre la charla:
Dado que el Regression Testing es una tarea común dentro del ciclo de desarrollo del software y debido a que testear todo el sistema no es posible por el costo y tiempo disponible; generalmente nos encontramos en una situación donde sólo un subset termina ejecutándose según la priorización que los mismos tienen o un experto puede darles.
En esta presentación queremos usar la Inteligencia Artificial (supervised machine learning) para que realice la priorización de los TCs y obtener un mejor resultado en el menor tiempo posible.
Vamos a utilizar el algoritmo de Machine Learning (ML) SVM Rank para evaluar y medir la calidad de la priorización realizada.
Nuestro resultado implicará que la técnica basada en ML mejora la detección temprana de fallas en el sistema comparado a uno aleatorio.
Sobre Gastón:
Ingeniero en Sistemas; profesional con más de 11 años de experiencia en el área de calidad principalmente en Testing, con conocimientos de performance, automatización, gestión de equipos e interesado en la investigación. Actualmente se desempeña como Test Lead en el equipo de Validación. Certificado en ISTQB Test Foundation 2010. Sobre Lucas:
Ingeniero de Sistemas. Analista de Pruebas desde el año 2013. Participó en proyectos de diferente índole en las actividades de planificación, diseño y ejecución de ciclos de prueba, reporte y seguimiento de defectos. Certificado en ISTQB Foundation Level y ISTQB Agile Tester.
Tópicos de Big Data - Sistemas de RecomendaciónErnesto Mislej
Los Sistemas de Recomendación (RS), rec. systems, engines, frameworks, platforms es una disciplina derivada del Data Mining que se centra en el diseño de filtros sobre colecciones de items que son del gusto o del interés del usuario.
Para tal fin se utilizan la historia de calificaciones realizada por el usuario y por la comunidad de usuarios.
Se trabajan sobre dominos ligados al gusto como son las películas, programas de TV, video por demanda, música, libros, espectáculos, restaurantes, noticias, entre otros.
Referencias: http://mmds.org
1. IA en el Póker Online
Clasificador Preflop
Presentación Final
Raúl Martínez Fernández
Antonio Díaz Ponce
Javier García-Cuerva Velasco
La Inteligencia Artificial en las Organizaciones 2009-2010
2. Índice
• Problema a resolver
• Obtención de datos
• Procesado de los datos
• Exploración de los datos (Weka)
• Técnicas de selección de atributos (Weka)
• Experimenter (Weka)
La Inteligencia Artificial en las Organizaciones 2009-2010
3. Problema a resolver
Recuerdo
Texas Hold’em Sin Límite
Jugadores de Póker Online Clasificador de manos preflop
Extracción de
Conocimiento
BBDD
La Inteligencia Artificial en las Organizaciones 2009-2010
4. Obtención de los datos
Recuerdo
• No pagar por datos Dificultades Usuarios de poquer-red
Sólo manos
10710 manos
si showdown
1795 jugadores
101 Ficheros xml
100.000 manos
La Inteligencia Artificial en las Organizaciones 2009-2010
5. Procesado de los datos
Nueva extracción de información
• Programa en Java:
• Leer todos los ficheros
• Extraer los patrones
• Extraer los atributos
• 3 atributos nuevos
• Clases a utilizar
Menos manos
• Arreglar los errores en los datos: 10710 10708
• Manos con jugadores Sit out (caídos)
• Una mano con jugadores no pertenecientes a la mano
La Inteligencia Artificial en las Organizaciones 2009-2010
6. Procesado de los datos
Extracción, con los nuevos 3 atributos
• CiegaPequena
• MiPosicion Añadimos 3 atributos:
• CiegaGrande
• Hora • PaloCarta1 •La posición del
• Minuto • ValorCarta1
jugador en la mesa
• JugadoresTotales • PaloCarta2
• PosicionJugador6 •Si las cartas son
• ValorCarta2
• FichasJugador6
• Suited
pareja o no
• PosicionJugador5 •Si las cartas son
• FichasJugador5 • Pareja
• PosicionJugador4 • Consecutivas consecutivas o no
• FichasJugador4 • ValorSubida1
• PosicionJugador3 • ValorSubida2
• FichasJugador3
• ValorSubida3
• PosicionJugador2
• FichasJugador2 • ValorSubida4
• PosicionJugador1 • ValorSubida5
• FichasJugador1
La Inteligencia Artificial en las Organizaciones 2009-2010
10. •Una manera de moverse por el espacio de búsqueda (lo que llamaremos método de búsqueda).
•Una manera (medida) de evaluar subconjuntos de atributos (lo que llamaremos evaluador de atributos).
Selección de atributos
Teoría
• Métodos de Selección de Atributos:
• Evaluación individual de atributos (Ranker)
• Evaluación de subconjuntos de atributos
• Filter: se evalúan los atributos de manera individual, pero
tiene en cuenta la redundancia entre atributos.
• Wrapper: se evalúan de manera conjunta. Bueno , pero lento
• Hay que definir:
• Una manera de moverse por el espacio de búsqueda (método de
búsqueda)
• Una manera (medida) de evaluar subconjuntos de atributos
(evaluador de atributos)
La Inteligencia Artificial en las Organizaciones 2009-2010
11. Selección de atributos
Técnicas Usadas
1. Ranker:
•Evaluador de atributos: ChiSquaredAttributeEval
•Método de búsqueda: Ranker.
2. Filter:
•Evaluador de atributos: CfsSubsetEval
•Método de búsqueda: GreedyStepwise
3. Wrapper:
•Evaluador de atributos: ClassifierSubsetEval
•Clasificador: PART
•Método de búsqueda: GreedyStepwise.
La Inteligencia Artificial en las Organizaciones 2009-2010
12. •Una manera de moverse por el espacio de búsqueda (lo que llamaremos método de búsqueda).
•Una manera (medida) de evaluar subconjuntos de atributos (lo que llamaremos evaluador de atributos).
Selección de atributos
Resultados
• Ranker: 30 atributos ordenados de mejor a peor
• Filter: los mejores 9 atributos, sin redundancia
• Wrapper (12 horas): los mejores 16 atributos.
1. Hora
2. Minuto
3. JugadoresTotales
Tienen mucho 4. MiPosicion Pensamos que
sentido para 5. PaloCarta1 si usamos J48
6. ValorCarta1
un jugador 7. PaloCarta2
y MLP,
profesional 8. ValorCarta2 obtendremos
9. Suited los mejores
10. Pareja
11. Consecutivas resultados
12. ValorSubida1
13. ValorSubida2
14. ValorSubida3
15. ValorSubida4
La Inteligencia Artificial en las Organizaciones 2009-2010
14. Selección de atributos
Comparativa Técnicas
Los mejores clasificadores con las técnicas de selección
de atributos:
Selector de % Aciertos % Aciertos
atributos J48 MLP
Ranker (20 64.3505 % 62.8673 %
atributos)
Filter (9 atributos) 58.83 % 52.4032 %
Wrapper (16 61.5216 % 61.4392 %
atributos)
Sin selección de 62.4554 % 60.8624 %
atributos (30
atributos)
La Inteligencia Artificial en las Organizaciones 2009-2010
15. Aprendizaje de las clases
Matriz de Confusión
Ranker con 20 atributos, ofrece mejores resultados:
J48 MLP
J48 (Porcentaje de aciertos:TP Rate)
MLP (Porcentaje de aciertos:TP Rate)
La Inteligencia Artificial en las Organizaciones 2009-2010
16. Aprendizaje de las clases
Equilibrado de Clases
MetaClasificador: MetaCost, recibe un clasificador y una matriz de costes
J48 (sin metacost) J48 (con metacost)
MLP (sin metacost) MLP (con metacost)
La Inteligencia Artificial en las Organizaciones 2009-2010
17. Experimenter
Experimentos
• Aplicar varios algoritmos y estadísticamente ver cuál es mejor
•Usaremos los mejores algoritmos y los mejores datos
•Haremos validación cruzada para evitar sesgos
•10 repeticiones para cada experimento
J48 (base) MLP
Dataset (1) trees.J48 '-C | (2) functions.M
--------------------------------------------------------------
Wrapper 'PatronesNL100-weka.filte(100) 61.52(1.50) | 61.60(1.78)
Ranker 'PatronesNL100-weka.filte(100) 64.34(1.46) | 61.43(1.67) *
(20 atributos) --------------------------------------------------------------
(v/ /*) | (0/1/1)
(X,Y,Z)
X: datasets donde el algoritmo es mejor que el base
Y: datasets donde no es ni mejor ni peor.
Z: datasets, donde el algoritmos es peor que el base
La Inteligencia Artificial en las Organizaciones 2009-2010
18. Experimenter
Comparativa con Exploración
• Con los resultados del experimenter podemos descartar que la
casualidad nos hiciera obtener los resultados que obtuvimos en la fase
de exploración
Técnica usada J48 MLP
%Aciertos Explorer 61.5216 % 61.4392 %
(Wrapper)
%Aciertos Experimenter 61.52 % 61.60%
(Wrapper)
%Aciertos Explorer 64.3505 % 62.8673 %
(Ranker)
%Aciertos Experimenter 64.34 % 61.43 %
(Ranker)
• Resultados del Experimenter son bastante parecidos a los del Explorer
• MLP llega a mejorar a J48
• El mejor resultado sigue siendo J48 con Ranker con 20 atributos
La Inteligencia Artificial en las Organizaciones 2009-2010
19. Conclusiones
Balance Positivo
• Pasamos de un 46% a un 64%:
• Añadiendo nuevos atributos
• Haciendo una buena exploración de los mejores
algoritmos
• Haciendo una buena selección de atributos
• Son resultados buenos si tenemos en cuenta:
• El factor humano es muy importante, ya que es
difícil aprenderlo
•Dificultad para encontrar unos datos
• Usamos datos de varios jugadores, siendo mejor de
un solo jugador
•Errores en los datos iniciales (stacks descomunales)
La Inteligencia Artificial en las Organizaciones 2009-2010