Este post, que resume el TOP 10 de software de Business Intelligence y Analítica del directorio de Dataprix, te ayudará a comparar rápidamente cada opción y a elegir la más adecuada para tu organización..

Most people often mix the terms Data Science, AI, Machine Learning, and Data Mining or use some of them interchangeably. But all of these terms have their separate meaning and stream. Data has always been a central element of any business to make precise decisions from granular data. Even though all of these terminologies are somehow interrelated to data, each has its characteristics. This article will give you a clear understanding of all these four terminologies and their differentiation..

Artificial intelligence is software that performs tasks without human intervention or minimal intervention. To achieve this, developers and data scientists implement machine learning (ML) processes. These are essentially complex algorithms that teach machines various learning techniques.

A notable sub-field of ML is deep learning (DL), which has been said to significantly aid the development of various autonomous capabilities of AI..

En estas fechas es inevitable tropezarnos con artículos en los medios escritos y reportajes en los medios de comunicación audiovisuales en los que se analizan las tendencias tecnológicas que marcarán el año en el que estamos a punto de sumergirnos y el sector de las telecomunicaciones no es ajeno a este fenómeno..

El libro Mastering Machine Learning with scikit-learn, de la editorial Packt, revisa los principales conceptos y algoritmos de aprendizaje automático (Machine Learning), llevándolos a la práctica con ejemplos para implementar con la librería de Python scikit-learn, una de las más utilizadas en aprendizaje automático.

En el primer capítulo, The Fundamentals of Machine Learning, se revisan los principales conceptos relacionados con el aprendizaje automático, en qué consiste, cómo se clasifican los principales algoritmos de aprendizaje, y cómo se aplican. En este capítulo se aprende a diferenciar los algoritmos de aprendizaje supervisado de los de aprendizaje no supervisado, cómo se utilizan los datos de entrenamiento, los de pruebas o test, y cómo se evalúan los modelos con medidas de rendimiento..