In Episode 27, Pablo Moreno talks about how the merging of these two entities combines the computational power of Altair with the accessible machine learning capabilities of RapidMiner.
Search Results: machine learning (856)
In this Cybersecurity Minute, Aaron looks at Oracle Cloud’s new security features and the use of machine learning in cloud data threat assessment.
There is much value in machine learning and AI models—more specifically, how you use it and applying training data to it.
In this Enterprise AI Minute, Aaron explores the breakthrough in the development of machine learning models to predict an earthquake.
In this Enterprise AI Minute, Aaron discusses examples of how AI and machine learning can be used to help combat food waste.
Cybersecurity must evolve to meet unknown threats. Here’s how artificial intelligence and machine learning will transform cybersecurity.
In this Industry Cloud Battleground Week moment, Google Cloud reports how its AI and machine learning tools enable GE Appliances engineers to improve customer experiences.
Hillery Hunter, VP & CTO of IBM, shares that the core of digital transformation is machine learning and artificial intelligence.
James Kelloway of National Grid ESO describes how they use machine learning and Oracle databases to predict and lower carbon footprints.
Explore the benefits of embracing Machine Learning and Artificial Intelligence to gain a competitive edge over other businesses.
Hay mucho material en internet sobre ‘las mejores 50 preguntas para entrevistar a un data scientist’ y similares. Le aseguro que cualquier candidato aspirante a data scientist ha leído y aprendido todas esas mismas preguntas y respuestas que probablemente usted le hará y espera, respectivamente.Tras observar y trabajar con muchos de estos profesionales de los datos -tanto entrevistados y contratados, como profesionales internos formados en disciplinas de datos- algunas conclusiones he obtenido. Al fin y al cabo, soy data scientist y aprendo con la observación y contrastación de datos y evidencias -como no podía ser menos-.Despues de haber entrevistado a muchos aspirantes a data scientist, asi así como haber entrenado a mas de 300 personas en ciencia de datos, me gustaría compartir mi experiencia en el proceso de contratacion, y algunas consideraciones adicionales.Cómo entrevistar a un data scientistLa mejor estrategia de entrevista a un candidato a data scientist es enfocarse en su habilidad de resolver problemas; no tanto en sus conocimientos técnicos, ni tampoco en su formación (que por supuesto tambien son necesarios). No digo con esto omitir preguntas técnicas – conceptos estadísticos, algoritmos y modelos, programación, etc.-, sino enfóquese en entender cómo razona el candidato para resolver problemas.Le aseguro que en la vida real el 90% de los problemas que tendrá que resolver como data scientist serán problemas aparentemente irresolubles.“Según estudios psicológicos, la resolución de escenarios absurdos mejora la creatividad y el análisis de patrones”No tenga inconveniente en platear al candidato escenarios absurdos e irreales, y preste atención a como razona el candidato su propuesta de resolver el problema. Quizá aporta una solución también absurda (prepárese para ello), pero si aporta una solución es mucho mas que no aportar nada.Una técnica que ha sido muy eficiente en mi experiencia es preparar una prueba al candidato, ver como la resuelve y pedirle que explique sus conclusiones. Es decir, en vez de realizar una ‘entrevista’ como tal, preparar una prueba con un set de datos, y solicitar al candidato que resuelva un objetivo en un tiempo requerido, y que explique sus conclusiones y resultados.Por ejemplo, si el candidato va a trabajar en un departamento de operaciones de cadena de suministro, se puede disponer de un set de datos en internet (hay cientos o miles disponibles) y pedirle que haga un modelo predictivo del tiempo de entrega de las mercancías, y que explique los resultados obtenidos. Deje que use el lenguaje de programación o el framework o las herramientas de su preferencia. Lo importante es que resuelva el problema, no enfocarse en las herramientas que usa para ello.¿Pero qué es y qué hace un data scientist?Un data scientist es un profesional capaz de resolver problemas operativos con datos; bien sea interpretando el pasado, diagnosticando las causas de eventos, o bien estimado el evento mas probable en el futuro. Además, un data scientist debe saber interpretar los resultados obtenidos de sus investigaciones, y lo que es más importante: debe ser capaz de explicar dichos resultados a cualquier audiencia -técnica o no-Exacto; un data scientist es un individuo versado tanto en conocimientos técnicos (estadística aplicada, programación, ingeniería de datos, inteligencia de negocios, etc.), como en habilidades blandas (comunicación, interpretación, pensamiento crítico, etc.). Y quizá, lo más importante y más escaso: debe conocer y entender el área operativa o de negocio donde va a desempeñar sus funciones. De no ser así, debe tener la habilidad de aprender rápidamente como opera la actividad donde desempeñará sus funciones de data scientist.Considere que no es lo mismo un data scientist que opera en recursos humanos, como otro que trabaja en marketing, o finanzas, o servicio técnico, u operaciones internas, o ingeniería, o farmacéutica, o producción industrial. Los datos son datos (estamos de acuerdo), pero el entorno es determinante por muchos matices que es necesario conocer.Fuente: businessoverbroadway.comLe aseguro que un buen data scientist no descansa hasta encontrar una solución ‘aparentemente imposible’ a problemas ‘aparentemente imposibles’. En la vida real, esto es más habitual de lo uno se imagina.Consideraciones de la organizaciónEs fundamental tener muy claro el objetivo de por qué necesitamos contratar un data scientist. Es decir, definir muy bien el alcance de nuestro problema de recursos humanos. Así mismo, es tanto o más importante, conocer el estado de la organización en el ciclo de madurez de la ciencia de datos.Menciono esto porque no siempre esta tan claro. He conocido gerentes que solo quieren contratar data scientists para dar una ‘imagen de modernidad digital y progreso’ frente a otros gerentes o departamentos, pero sin saber que trabajo se encomendara al futuro candidato. Conseguirá agotar al recurso humano y se ira a otro lugar tan pronto le sea posible.Por otro lado, hay organizaciones que están convencidas que están listas para aplicar Machine Learning o Inteligencia Artificial, pero realizan la mayoría de su reportería de manera manual (copiar-pegar) en hojas de calculo o en diapositivas; o lo que es peor, no tienen un sistema de bases de datos debidamente arquitectado u organizado.Para concluirAntes de contratar a un data scientist, evalúe seriamente reeducar a su personal existente y dotarlo de conocimientos técnicos relativos a ciencia de datos. Su personal existente ya conoce bien su cultura empresarial, los problemas mas habituales y saben bien lo que funciona y lo que no funciona en su organización. Esto es algo que puede llevar años a un data scientist.A lo largo de mis últimos 5 o 6 años de carrera profesional como data scientist, he tenido la ocasión de entrevistar laboralmente (o participar en entrevistas laborales de otros departamentos) a un buen número de candidatos a científico de datos; tanto individuos muy noveles (juniors) como experimentados (seniors).Además de esto, he tenido la gran dicha de entrenar a más de 500 compañeros de trabajo en ciencia de datos y analítica avanzada en los últimos 2 años. Profesionales de distintas áreas como finanzas, operaciones, marketing, contabilidad, recursos humanos, servicio al cliente, etcétera. P. J. MorenoSr Data Scientist
In this article (a few ads), Jody Medich outlines edge computing means to the success of IoT (Internet of Things). Typically, “edge” computing still had some reliance on the cloud, but further advances in machine learning (ML) make it possible for IoT devices to process data in areas without internet connectivity. Couple this with AI, and even more gaps are filled.
AI is everywhere – and now even included in Power BI. Sometimes AI might be very apparent when you enrich your data with predictions by explicitly calling an Azure Machine Learning webservice in Power Query. Sometimes it might by hidden in a nice little context menu when Power BI is automagically explaining the reason of a difference or a change over time in your data to you. No matter if you are a business user, analyst or data scientist – Power BI has AI capabilities tailored to you. In this session we will cover how you can integrate and leverage the use of language R, how to integrate an Azure Machine Learning Service when loading data, what kind of insights Power BI is capable of delivering automatically, how you can create a complex new column without typing a single formula/function, how you can explore your data by asking questions in plain English, … and more! Sounds like a lot of content? I omitted most of the slides in favour to spend the time in live demos instead. Come in this session to learn how you can enrich you very own Business Intelligence with Artificial Intelligence and make the step up from Power BI to Power AI.
ExFlow is the premiere AP Automation solution built inside D365 FO – recently selected by Microsoft as a preferred AP Automation solution for D365. At the Summit this year we’re going to be show case how ExFlow can automate the AP process and how our new machine learning capabilities can enhance efficiency even further. All the power of a best-of-breed AP Automation solution – all inside D365, no integration necessary. Like an add-on should be.
Visit us at our virtual booth
ancora Software, Inc. is an innovative provider of Intelligent Process Automation solutions including Intelligent Document Classification and Data Capture. Our IPA solutions with patented artificial intelligence and machine learning help companies eliminate costly manual steps in their business processes such as document classification, and manual data entry. Businesses using ancora Software achieve faster and less expensive business process automation and better controls over valuable critical information
Demand Planning & Sensing automates the creation of demand plans using machine learning and by incorporating detailed short-term demand signals and demand collaboration, it reduces forecast error and optimally deploys inventory.
Our forecasting and machine learning engines automatically generate reliable demand forecasts so you can predict demand behavior much more accurately than traditional one-number forecast models.
Boost Your Customer Experience Through Embedded AI. If you are interested in increasing customer satisfaction, consider attending Jeff Kanel’s session at User Group Summit. Jeff is the Director of Data & Analytics at To get a taste of what Jeff’s session will cover in Orlando, watch his quick video previewing the limitations of current customer-facing business processes and how AI could be the solution, with a combination of Microsoft Azure’s Machine Learning and Dynamics technologies. Enjoy!
ExFlow D365 FO is a built-in, feature-rich AP Automation solution developed specifically for Dynamics 365 Finance and Operations/AX. ExFlow sits inside D365 and leverages Machine Learning to automate the AP process from invoice data capture, through validation and pre-coding to 3-way matching and approval. Analytics is provided by pre-packaged Power BI dashboards inside D365. Today more than 400 D365 FO/AX customers worldwide use ExFlow.
ExFlow D365 BC is a built-in, feature-rich AP Automation solution developed specifically for Dynamics 365 Business Central/NAV. ExFlow sits inside D365 and leverages Machine Learning to automate the AP process from invoice data capture, through validation and pre-coding to 3-way matching and approval. Analytics is provided by pre-packaged Power BI dashboards inside D365. Today more than 500 D365 BC/NAV customers worldwide use ExFlow. ExFlow D365 BC is localized for SWE, NOR, FIN, AUS, UK, USA, CAN and FRA.