Más aplicaciones de Machine Learning

Entre algunas aplicaciones extra que he encontrado para ML se encuentran:

Reconocimiento de acciones: Mediante el análisis de imágenes (visión computacional) se crean árboles con prototipos en donde se clasifican y ramifican las acciones que puede estar llevando a cabo un individuo. Cada prototipo se puede considerar como una imagen que contiene la posición del sujeto a evaluar mientras que una acción es definida por una sucesión de varios prototipos. Un ejemplo de esto se encuentra en la siguiente figura:

Otras formas de llevar a cabo esta clasificación se pueden basar en otros métodos de aprendizaje como Slow Feature Analysis (SFA) que extrae características que cambian lentamente de una señal de entrada con cambios constantes.

Reconocimiento de eventos en un grupo: De nuevo mediante el uso de visión computacional se aprende de un grupo de imágenes o un video las características que acompañan a un grupo. Se determina su forma de interactuar dependiendo de lo que se detecte y se usa como medidas la distancia entre los involucrados, la velocidad a la que se mueven y otros elementos. Una ilustración se puede apreciar en la siguiente figura:

Análisis de proteínas: Tema dedicado completamente a la informática en el que se puede usar ML para crear algo conocido como Superfamily Level Classification que permite encontrar la relación estructural, evolucionaria y funcional de las proteínas.

Reconocimiento del habla: La mayor parte de esta área se lleva a cabo mediante comparaciones con palabras previamente etiquetadas que permiten la comparación entre lo que se tiene guardado y el audio obtenido al momento, sin embargo este método es costoso y depende de tener previamente etiquetadas las palabras para poder entenderlas. En algunos artículos se menciona el uso de aprendizaje semi-estructurado que permite reducir el costo del proceso ya que se puede incluir tanto datos etiquetados como no etiquetados.

Predicción de fallas en una planta: Hay un ejemplo que utiliza aprendizaje automático estadístico y técnicas de adquisición de conocimiento para la red eléctrica de la ciudad de Nueva York. Lo que se busca es poder analizar y predecir con la mayor precisión las áreas y componentes dentro de la planta que requieran un mantenimiento preventivo de forma que no haya fallas graves en el lugar.

Predicción de resultados en juegos de cartas: En este ejemplo se menciona el uso de aprendizaje supervisado para este tipo de dominios. Se habla de emplear ese tipo de técnicas para predecir los resultados futuros basados en juegos anteriores. Sin embargo, se menciona que por el tipo de juegos no se puede tener una completa fiabilidad ya que en la mayoría interviene un factor aleatorio (suerte).

Tráfico IP: Se utiliza minería de datos para conocer y facilitar el monitoreo del flujo de información. Se usa con motivo de mejorar la calidad del servicio y tan solo empleando C4.5 se logra una precisión del 95%.

Análisis harmónico de música: Se basa en la clasificación de canciones en base a un cromagrama (chromagram). Este toma en cuenta los acordes, llaves, notas graves y la percepción humana del ruido. No se requiere un experto para ajustar los parámetros del sistema debido a que todo se encuentra basado en machine learning.