por Patrick Kinter | 18/04/2023
¿Qué es una cadena de bloques?
Blockchain es una Sistema de registro descentralizado e inalterableque permite seguir las transacciones y los activos en una red. A menudo se denomina libro de cuentas, libro de transacciones o libro mayor. Este sistema puede rastrear y comerciar tanto con activos tangibles (por ejemplo, casas, coches, dinero, terrenos) como intangibles (por ejemplo, propiedad intelectual, patentes, derechos de autor, marcas registradas).
Blockchain, por ejemplo, es la La tecnología en la que se basan criptomonedas como Bitcoin y y también encuentra Aplicación en el mercado de NFT.
Blockchain se considera una tecnología nueva e innovadora y está ampliamente reconocida como segura y transparente. Método de almacenamiento y transmisión de datos reconocida. Sin embargo, como cualquier tecnología, no es perfecta y existen ciertas dudas sobre su escalabilidad y posibles casos de uso.
Existen numerosos recursos en línea para aprender blockchain, como tutoriales, cursos y foros. Muchas universidades e institutos ofrecen ahora también cursos sobre blockchain y criptomoneda. Además, hay muchas comunidades de desarrollo de blockchain en Internet donde se puede aprender mucho sobre el desarrollo de blockchain, hacer preguntas e intercambiar ideas con otros desarrolladores.
¿Cómo funciona una cadena de bloques?
Cada transacción se registra como un bloque de datos que representa el movimiento de un activo, que puede ser tangible o intangible. Este bloque puede incluir información como quién, qué, cuándo, dónde, cuánto e incluso condiciones, como la temperatura de una entrega de alimentos, según sea necesario. Este Los bloques se unen y forman una cadenaEl activo se traslada de un lugar a otro o cambia de propietario.
Cada bloque confirma la hora exacta y la secuencia de las transacciones y la Los bloques están unidos de forma segurapara que ningún bloque pueda modificarse o insertarse entre dos bloques ya existentes. Esta cadena de bloques es la blockchain, que es la Trazable e inalterable en todo momento y aumenta la seguridad con cada bloque adicional. La inmutabilidad de la cadena de bloques descarta la manipulación y crea un libro de cuentas digital en el que se puede confiar.
Las ventajas de las cadenas de bloques
Las ventajas de las cadenas de bloques también se derivan de su funcionamiento: son Almacenamiento y transmisión de datos extremadamente seguros y transparentes. Para ello se utiliza la criptografía para vincular cada bloque de datos al anterior, creando una cadena de bloques. Como los datos se almacenan en toda la red, es difícil piratearlos o manipularlos sin cambiar el consenso de la red. Además, cada bloque está vinculado al anterior, lo que facilita el seguimiento y la verificación de las transacciones.
Esto las hace útiles para diversas aplicaciones, como las transacciones financieras, la gestión de la cadena de suministro y la verificación de la identidad en línea.
Ejemplos de aplicación de las cadenas de bloques
Casinos en línea
Un ejemplo de cómo se está utilizando blockchain en el mundo real son los casinos en línea. Los casinos con blockchain utilizan contratos inteligentes para automatizar el proceso de apuesta y pago de ganancias. Esto no solo hace que el proceso sea más eficiente, sino que también garantiza que los juegos sean justos y que los jugadores puedan confiar en que el casino pagará sus ganancias.
Finanzas
Otro ejemplo es el uso de la tecnología blockchain en las finanzas. Las plataformas blockchain como Ethereum se están utilizando para crear activos digitales y nuevos instrumentos financieros como las stablecoins, que están vinculadas al valor de las monedas tradicionales. Esto facilita la inversión en activos digitales y crea nuevos mercados financieros.
Gestión de la cadena de suministro
Por último, la tecnología blockchain tiene un enorme potencial para su uso en la gestión de la cadena de suministro. Al proporcionar una forma segura y transparente de rastrear los productos a medida que avanzan por la cadena de suministro, blockchain puede ayudar a aumentar la eficiencia, reducir los costes y mejorar la transparencia. Esto facilita a las empresas rastrear el origen de los productos, garantizar su procedencia ética e identificar y resolver los problemas con mayor rapidez.
por Patrick Kinter | 08/02/2023
¿Qué es el bootstrapping?
El proceso de bootstrapping consiste en un método estadístico para estimar las funciones de distribuciónen el que se utiliza el denominado procedimiento de remuestreo. El remuestreo describe un procedimiento consistente en extraer repetidamente submuestras de una muestra inicial para obtener conclusiones sobre variables de la función de distribución original, como la media o la desviación típica.
El bootstrapping se utiliza cuando no se conoce la función de distribución de una estadística y, por tanto, debe estimarse. El requisito previo para el modo de funcionamiento es un determinado tamaño de la muestra inicial.
El nombre bootstrapping procede de la palabra inglesa bootstrap y tiene su origen en la historia del barón von Münchhausen. Como, según la historia, el barón von Münchhausen se sacó a sí mismo del pantano con sus propias botas, esta metáfora también se retoma para el método, en el sentido de que en el método bootstrap la submuestra se extrae de la propia muestra.
¿Qué son los métodos estadísticos en el bootstrapping?
Dado que el bootstrapping sólo describe un procedimiento general en estadística, también se han desarrollado diferentes procedimientos concretos de bootstrapping para distintos ámbitos de aplicación. En i.i.d Bootstrap (independiente e idénticamente distribuida), por ejemplo, el procedimiento consiste en extraer repetidamente un determinado tamaño de submuestra de la muestra inicial con reserva. Tras extraer el número definido de repeticiones de la muestra, la distribución aproximada puede utilizarse para generar un intervalo de confianza.
Dado que el bootstrap i.i.d no puede representar una correlación temporal de los datos, para estos casos se utiliza lo siguiente Bloque de arranque . En este método, los datos se dividen en bloques contiguos en un paso preparatorio. Al dividir la función de serie temporal de tendencia en un componente de tendencia y otro residual, se crea la base para llevar a cabo el método. La parte residual corresponde a la diferencia entre el punto de medición y el de estimación respectivos. Mediante la función de arrastrar y soltar, se dibujan repetidamente bloques residuales hasta alcanzar la longitud de la señal original o de la muestra inicial y, a continuación, se añaden a la serie temporal de tendencia. Aplicando repetidamente esta repetición de muestras, se puede representar finalmente con este procedimiento una función de correlación temporal mediante un bootstrap.
A diferencia de los métodos de bootstrappin no paramétricog, el bootstrapping paramétrico asume una determinada distribución de la muestra inicial. El bootstrapping no paramétrico aprovecha el hecho de la estadística no paramétrica de que para su aplicación no se hacen suposiciones sobre la distribución, ya que ésta sólo surge de la muestra considerada. En bootstrapping paramétrico uno se concentra en estimar los parámetros de la distribución supuesta.
¿Dónde se utiliza el proceso en el aprendizaje automático?
En la zona del aprendizaje automático el procedimiento se lleva a cabo en el marco del denominado Embolsado (abreviatura de "bootstrap aggregating"). El ensacado se utiliza en particular para Regresiones- y Árboles de clasificación El bootstrap se utiliza para reducir la varianza y mejorar así los valores de predicción. El bootstrapping se utiliza en el bagging para extraer muestras (bootstrap), que se entrenan con el modelo de predicción y finalmente se agregan a un valor de predicción (agregación). También en el ámbito de Aprendizaje por diferencias temporales en el entorno del aprendizaje por refuerzo, el procedimiento se utiliza optimizando iterativamente la función objetivo mediante la reducción de la varianza.
En Lenguaje de programación R ofrece una implementación para bootstrapping no paramétrico. Especificando los parámetros, se pueden calcular variables o vectores individuales. En un paso siguiente, también se pueden determinar los intervalos de confianza asociados.
Los programas estadísticos como SPPS de IBM o Stata también ofrecen procedimientos de aplicación de bootstrapping ampliamente automatizados. SPSS ofrece incluso un módulo propio con muchas funcionalidades. Tras introducir los parámetros individuales, se estima la distribución de muestreo utilizando el método descrito.
por Admin Econsor | 14/12/2022
¿Qué es el embolsado?
Bagging es una abreviatura del término "bootstrap aggregating" y representa un procedimiento de reducción de la varianza cuando se utilizan diferentes árboles de clasificación y regresión en el contexto de la aprendizaje automático dar.
Además de este aumento de la precisión de Clasificación- y Problemas de regresiónEl ensacado también se utiliza para resolver el conocido problema de la Sobreajuste para resolver. Los resultados del algoritmo son especialmente buenos cuando los aprendices individuales de los árboles de clasificación y regresión son inestables y tienen una varianza elevada.
Según los componentes de la palabra, este método implica la agregación bootstrap en dos pasos del proceso. Bootstrapping describe básicamente un procedimiento en estadística en el que se extraen repetidamente muestras aleatorias de un conjunto de datos definido con el fin de identificar una función de distribución desconocida del conjunto de datos. Así pues, este procedimiento de bootstrapping puede clasificarse como remuestreo, ya que se extraen repetidamente submuestras a partir de una muestra (conjunto de datos). A continuación, estas muestras individuales se entrenan con el modelo de predicción o clasificadores débiles y luego se agregan a un valor predicho.
De ahí viene el nombre de agregación bootstrap, ya que los datos se extraen inicialmente mediante un muestreo repetido (utilizando el procedimiento bootstrap) y después se unifican (agregan) los modelos de predicción. Así, es posible que esta metodología conduzca a una fusión de la información y aumente así el rendimiento de la clasificación o la regresión.
¿Cómo funciona el método ensemble?
Un método ensemble o aprendizaje ensemble es básicamente cuando varios aprendices o clasificadores (débiles) se conectan entre sí y se ejecutan, creando así el llamado ensemble. En este sentido, los métodos ensemble también se conocen como un metaenfoque del aprendizaje automático, ya que se combinan varios modelos para formar un valor de predicción.
Como se describe al principio En el bagging (agregación bootstrap), se toman múltiples muestras de un conjunto de datos y, a continuación, se entrena y se prueba el mismo algoritmo en paralelo con los datos de la muestra.. Normalmente se trata de extraer muestras aleatorias del conjunto de datos, pero también sería posible distribuir todo el conjunto de datos y generar a partir de ahí la distribución de los datos. Cuando los datos se seleccionan mediante muestreo aleatorio, se corresponde con el modelo de "extracción con reclamación". Esto significa que determinados puntos de datos pueden incluirse en el modelo varias veces (mediante selección aleatoria múltiple), mientras que otros no pueden incluirse en absoluto.
Tras generar la muestra, se aplica el algoritmo de aprendizaje a cada miembro del conjunto. Esto se hace en paralelo. Por último, se agregan los modelos predictivos individuales, lo que da como resultado un clasificador conjunto final. Los modelos o algoritmos individuales pueden entrar en el clasificador con pesos iguales o tener pesos diferentes.
¿Cuál es la diferencia entre embolsar y aumentar?
Además del embolsado, el llamado Boosting, un método de ensemble en el aprendizaje automático dar.
Así, A diferencia del bagging, los clasificadores (débiles) no se ejecutan en paralelo, sino secuencialmente.. En los dos métodos presentados, al principio se extrae una muestra básica. Debido al enfoque iterativo y secuencial del método ensemble, es posible que las conclusiones de los pasos anteriores se apliquen a los pasos posteriores. Esto se consigue ponderando las iteraciones clasificadas incorrectamente de forma diferente a las iteraciones clasificadas correctamente.
El objetivo del boosting es crear un clasificador fuerte a partir de un gran número de clasificadores débiles. Aunque, en principio, los pesos también pueden utilizarse en el ensacado, se diferencian del boosting en que su tamaño depende del progreso secuencial previo, mientras que los pesos en el ensacado ya están definidos de antemano, ya que el proceso se ejecuta en paralelo.
Otra diferencia entre los dos métodos es el objetivo. El objetivo del bagging es reducir la varianza de los clasificadores individuales combinándolos, mientras que el boosting pretende reducir el error sistemático o sesgo de la distribución. En este sentido, el bagging puede ayudar a resolver el problema del overfitting, mientras que el boosting no.
Ambos métodos pueden combinarse con Python aplicar, por lo que el biblioteca scikit-learn proporciona una implementación para los métodos de conjunto y, por tanto, puede aplicarse con relativa facilidad.
por Admin Econsor | 14/12/2022
¿Qué es el BERT?
BERT son las siglas de "Bidirectional Encoder Representations from Transformers" (representaciones codificadoras bidireccionales a partir de transformadores) y describe un algoritmo que Google utiliza para las consultas de búsqueda. En sus denominadas actualizaciones principales, Google sigue desarrollando el algoritmo de las consultas de búsqueda con el fin de obtener resultados de búsqueda cada vez mejores para las consultas de búsqueda de los usuarios.
BERT se introdujo a finales de 2019 y tiene como objetivo comprender mejor el contexto de la consulta de búsqueda. Se prestó especial atención a las preposiciones y palabras de relleno en la consulta de búsqueda, que Google solía ignorar en las consultas de búsqueda en el pasado. Además del uso del algoritmo, el BERT también introdujo los llamados "fragmentos destacados". Se trata de resultados de búsqueda destacados que pretenden ofrecer al usuario una breve respuesta a la consulta de búsqueda.
Dado que BERT se basa en el reconocimiento de voz y texto (Comprensión del lenguaje natural), así como su procesamiento, el algoritmo se basa en Procesamiento del lenguaje natural (PLN) en el ámbito de redes neuronales. La PNL se ha convertido en el El objetivo es que los ordenadores puedan procesar el lenguaje humano natural.para que comprendan el significado de la lengua.
BERT utiliza un campo especial en el área de aprendizaje automáticoEs lo que se conoce como aprendizaje por transferencia. En principio, los conceptos de aprendizaje automático se basan en el hecho de que los datos de entrenamiento y de prueba proceden del mismo espacio de características y de la misma distribución. Sin embargo, esto tiene la limitación de que si se cambia la distribución, se perderán los datos originales. Datos de formación no puede seguir utilizándose. En el aprendizaje por transferencia, sin embargo, es posible que los datos de entrenamiento de un conjunto de datos "no sujetos" puedan consultarse y utilizarse para encontrar soluciones. Esto reduce el número de datos de entrenamiento necesarios y, en caso necesario, también el tiempo de entrenamiento. Aunque el aprendizaje por transferencia tiene su origen en el reconocimiento de imágenes, el BERT utiliza esta metodología para el tratamiento de textos, ya que las consultas de búsqueda son muy individuales y no siempre se dispone de datos de entrenamiento específicos.
¿Cómo está estructurado el modelo lingüístico y qué funciones incluye?
El modelo lingüístico BERT se basa en modelos de cálculo, los llamados transformadores, que sitúan una palabra en relación con todas las demás de una frase. y así intenta comprender mejor su significado. Los transformadores funcionan de tal manera que las señales de entrada se convierten mediante los llamados codificadores en una forma procesable de vectores con los que se pueden realizar operaciones matemáticas. En la llamada "capa de autoatención", cada palabra de la entrada se pondera según una escala de valores. Esta escala de valores evalúa cada palabra en relación con las demás palabras de la entrada. A continuación, los valores se normalizan y se ponderan mediante la llamada función softmax, de forma que la suma de todos los valores sea igual a 1. Luego se pasan a la siguiente capa de autoatención. A continuación pasan a la capa siguiente.
Tanto los codificadores como los descodificadores están diseñados como Red neuronal Feed-Forward construidas. Esto significa que no hay retroalimentación a capas anteriores dentro de las redes neuronales, como ocurre con las redes recurrentes. En el decodificador, se aplica una capa de autoatención, se normalizan los valores y se fusionan los datos de entrada procesados en la denominada capa de codificador-decodificador-atención. A continuación, se implementa una red neuronal feed-forward y se aplica una linealización de los valores y la función softmax para obtener finalmente la solución más probable.
BERT también funciona como la mayoría de los algoritmos sobre la base de probabilidadesque se utiliza como base para encontrar soluciones.
por Admin Econsor | 14/12/2022
¿Qué es una caja negra?
Como una caja negra cada sistema del desplegado inteligencia artificial Designa cuyas entradas y operaciones no son visibles para el usuario. En general, una caja negra es un sistema impenetrable.
En Aprendizaje profundo Normalmente se realiza un desarrollo de caja negra. Así, el algoritmo toma millones de puntos de datos, procesa esa entrada y correlaciona determinadas características de los datos para poder producir una salida. En el Minería de datos por otro lado, es un algoritmo o incluso una tecnología que no puede dar ninguna explicación de cómo funciona.
Un modelo de caja negra para desarrollar software con inteligencia artificial es un modelo de desarrollo adecuado para probar componentes de software. No ocurre lo mismo con los algoritmos de búsqueda, Árboles de decisión y sistemas basados en el conocimiento que han sido desarrollados por expertos en IA, son transparentes y ofrecen vías de solución comprensibles, a partir de procesos de caja blanca.
Una caja negra en el Aprendizaje automático es un modelo de naturaleza puramente estadística. Los modelos de caja blanca, por su parte, denotan descripciones analíticas y físicas cuya modelización suele ser muy elaborada. Por último, los modelos de caja gris combinan ambos enfoques y pueden aunar sus respectivas ventajas.
¿Cuáles son los métodos típicos?
A Las pruebas de caja negra se utilizan siempre que no se conoce el funcionamiento interno y la implementación del software.. En la prueba sólo se incluye el comportamiento exteriormente visible.
El éxito de una prueba no es indicio suficiente de que el sistema funcione correctamente y sin errores. Así, puede quedar sin detectar una funcionalidad no solicitada o una enorme brecha de seguridad. Por tanto, un solo procedimiento de prueba no suele ser suficiente, ya que las pruebas estructurales no pueden detectar la funcionalidad que falta y las pruebas funcionales sólo tienen en cuenta de forma insuficiente la implementación existente. El mejor enfoque es un procedimiento combinado de pruebas funcionales con análisis de límites o pruebas aleatorias, pruebas estructurales de las secciones no cubiertas y pruebas de regresión tras la corrección de errores.
Las pruebas funcionales sólo pueden tener en cuenta de forma insuficiente la implementación en cuestión. Los métodos de prueba incluyen pruebas funcionales (black box test) con una selección de casos de prueba basada en una especificación. Así, se realizan pruebas de clases de equivalencia, se calculan los valores límite y se acota la prueba mediante valores especiales. Las pruebas de estado pueden realizarse a partir de esta especificación.
