Arte generado por IA: ¿expresión original o infracción de derechos de autor?

Fuente: 0fjd125gk87 en Pixabay

A medida que avanza el campo de la inteligencia artificial, surgen nuevas cuestiones éticas. A la luz de las múltiples demandas que involucran a Midjourney, un generador de arte de IA, y DeviantArt, un sitio de arte popular, el debate es si el arte generado por IA debe estar sujeto a reclamos de derechos de autor por parte de los artistas cuyo arte se usó para entrenar los datos.

El caso del arte generado por IA

Por un lado, algunos argumentan que el arte generado por IA es una forma de expresión original y debe protegerse como tal. Argumentan que el sistema de IA es esencialmente un artista en sí mismo, que utiliza los datos con los que fue entrenado como inspiración. Además, el arte generado por IA a menudo pasa por una cantidad significativa de procesamiento y manipulación antes de finalizarse, lo que lo diferencia de la obra de arte original.

El caso de los artistas

Por otro lado, otros argumentan que los artistas cuyo trabajo se utilizó para entrenar a la IA deberían recibir crédito y compensación por el uso de su obra de arte. Argumentan que sin el uso de esta obra de arte original, el arte generado por IA no existiría. Además, argumentan que es injusto que los creadores de la obra de arte original usen su trabajo sin permiso o compensación.

Soluciones potenciales

Una solución podría ser tratar el arte generado por IA de manera similar a cómo tratamos las versiones o las muestras en la música. En estos casos, el artista original es acreditado y compensado, pero el nuevo artista también puede crear algo nuevo y original basado en el trabajo original. De la misma manera, el sistema de IA podría acreditarse como el creador de la nueva obra de arte, pero los artistas originales cuyo trabajo se utilizó para entrenar los datos también serían compensados y acreditados.

Otra solución podría ser que el arte generado por IA sea considerado como un uso transformador del arte original, de esta manera el artista sería acreditado pero el trabajo generado por IA estaría protegido como un trabajo nuevo.

La cuestión de si el arte generado por IA debe estar sujeto a reclamos de derechos de autor por parte de los artistas cuyo arte se usó para entrenar los datos es compleja y tiene argumentos válidos en ambos lados. Es importante tener en cuenta los derechos e intereses tanto de los creadores de IA como de los artistas originales, al mismo tiempo que se busca una solución que promueva la creatividad y la innovación en el campo de la IA.

¿Qué piensas? ¿Crees que el arte generado por IA debería considerarse un uso justo o los artistas deberían obtener el crédito por las imágenes generadas en función de su trabajo?

ACT-1 de Adept AI: automatización de tareas tediosas con tecnología

Adept AI presenta Action Transformer (ACT-1)

En septiembre de 2022, Adept AI, una empresa que se especializa en el desarrollo de modelos avanzados de IA, presentó su último modelo, Action Transformer (ACT-1). Este modelo es un Transformador a gran escala que está capacitado para usar herramientas digitales, incluidos los navegadores web. La empresa cree que este modelo es un paso hacia la consecución de la inteligencia artificial general (AGI) y que la próxima era de la informática estará definida por interfaces de lenguaje natural que permitan a los usuarios decirle a sus ordenadores lo que quieren directamente.

Por qué ACT-1 es importante

ACT-1 representa un paso significativo hacia el logro de una verdadera inteligencia general. Es un modelo básico para acciones, capacitado para usar una amplia gama de herramientas de software, API y aplicaciones web. Adept AI cree que al crear un modelo que pueda comprender y ejecutar una amplia gama de tareas y comandos, podrán lograr el ambicioso objetivo de crear un sistema que pueda hacer cualquier cosa que un humano pueda hacer frente a una computadora. ACT-1 es el primer paso en esta dirección, y la compañía tiene previsto seguir desarrollando y mejorando el modelo para acercarnos a este objetivo.

Capacidades ACT-1

ACT-1 actualmente está conectado a una extensión de Chrome que le permite observar lo que sucede en el navegador y realizar ciertas acciones, como hacer clic, escribir y desplazarse, etc. La compañía ha publicado videos que muestran algunas de las capacidades de ACT-1, incluidas solicitudes de usuarios de alto nivel, trabajar en profundidad en herramientas como hojas de cálculo, completar tareas que requieren componer varias herramientas juntas y buscar información en línea. La compañía cree que las capacidades del modelo mejorarán con el tiempo y que los sistemas futuros tendrán una latencia que será en gran medida imperceptible para los humanos.

Compradores de viviendas que utilizan ACT-1 para buscar viviendas dentro de su presupuesto. Fuente: Adept AI

Empleados que utilizan ACT-1 para registrar una descripción de una reunión reciente en el panel de control de la empresa. Fuente: Adept AI

Alguien que usa ACT-1 en Excel para agregar columnas a su hoja de cálculo y realizar cálculos automáticamente. Fuente: Adept AI

Mirando hacia el futuro

Adept AI cree que las interfaces de lenguaje natural, impulsadas por transformadores de acción como ACT-1, ampliarán drásticamente lo que las personas pueden hacer frente a una computadora, teléfono o dispositivo conectado a Internet. En el futuro, la empresa espera que la mayor parte de la interacción con las computadoras se realice utilizando lenguaje natural, no interfaces gráficas de usuario. Los principiantes se convertirán en usuarios avanzados, no se requiere capacitación, y el software se volverá aún más poderoso a medida que los modelos avanzados de IA como ACT-1 ayuden a los usuarios a implementar sus ideas en el lenguaje. Las inscripciones ya están abiertas para el lanzamiento alfa del primer producto de la compañía construido alrededor de ACT-1.

Además, Adept AI considera que ACT-1 es particularmente beneficioso para empresas y organizaciones, donde puede automatizar tareas tediosas y repetitivas, aumentando la productividad y la eficiencia. También se puede utilizar para el servicio y soporte al cliente, lo que permite respuestas más rápidas y precisas a las consultas e inquietudes de los clientes.

En general, la introducción de ACT-1 representa un importante paso adelante en el campo de la IA y tiene el potencial de tener un gran impacto en la forma en que interactuamos con la tecnología en nuestra vida cotidiana. Adept AI planea continuar desarrollando y mejorando ACT-1, con el objetivo de crear un modelo de IA verdaderamente general que pueda comprender y ejecutar una amplia gama de tareas y comandos.

Obtenga más información sobre ACT-1 y otras tecnologías de Adept AI en su sitio web: https://www.adept.ai/

50 Ideas de Proyectos de Inteligencia Artificial (Con Ejemplos)

Ya sea que sea un principiante absoluto o un veterano avanzado de IA, ¡tenemos el proyecto para usted! Fortalezca su conocimiento del aprendizaje automático con nuestras ideas de proyectos. Para cada proyecto, incluiremos la dificultad, el tiempo estimado para completarlo para que pueda controlar su ritmo y un ejemplo / tutorial en línea como guía.

Proyectos

1. Proyecto Nombre: Clasificación de imágenes

Descripción: Entrenar un modelo de aprendizaje profundo para clasificar imágenes de diferentes objetos. El modelo se entrenará en un conjunto de datos de imágenes etiquetadas y será capaz de predecir la clase de las nuevas imágenes.

Tiempo estimado para completar: 2-4 semanas

Tech stack utilizado: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://www.tensorflow.org/tutorials/images/classification

Nivel de dificultad: Intermedio

2. Proyecto Nombre: Análisis de sentimientos

Descripción: Desarrollar un modelo que pueda predecir el sentimiento (positivo o negativo) de un texto dado. El modelo se entrenará en un conjunto de datos de texto etiquetado y será capaz de predecir el sentimiento de textos nuevos.

Tiempo estimado para completar: 1-2 semanas

Tech stack utilizado: Python, TensorFlow, Keras, NLTK

Ejemplo en línea: https://www.tensorflow.org/tutorials/text/word_embeddings

Nivel de dificultad: Intermedio

3. Proyecto Nombre: Automatización del hogar controlado por voz

Descripción: Crear un asistente de voz impulsado por IA que pueda controlar varios dispositivos de automatización del hogar con comandos de voz. El sistema será capaz de entender y responder a varios comandos.

Tiempo estimado para completar: 4-6 semanas

Tech stack utilizado: Python, TensorFlow, Keras, Raspberry Pi

Ejemplo en línea: https://www.tensorflow.org/lite/models/speech_commands

Nivel de dificultad: Avanzado

4. Proyecto Nombre: Chatbot

Descripción: Construir un chatbot que pueda responder preguntas y realizar tareas simples. El chatbot se entrenará en un conjunto de pares pregunta-respuesta y será capaz de entender y responder a las entradas de lenguaje natural.

Tiempo estimado para completar: 2-3 semanas

Tech stack utilizado: Python, TensorFlow, Keras, NLTK

Ejemplo en línea: https://www.tensorflow.org/tutorials/text/transformer

Nivel de dificultad: Intermedio

5. Proyecto Nombre: Simulación de automóvil autónomo

Descripción: Crear una simulación de un automóvil autónomo utilizando el aprendizaje por refuerzo. El automóvil aprenderá a navegar en un entorno virtual y evitar obstáculos.

Tiempo estimado para completar: 4-6 semanas

Tech stack utilizado: Python, TensorFlow, Keras, Unity

Ejemplo en línea: https://github.com/Unity-Technologies/ml-agents

Nivel de dificultad: Avanzado

6. Proyecto Nombre: Reconocimiento facial

Descripción: Desarrollar un modelo que pueda reconocer rostros en imágenes y videos. El modelo se entrenará en un conjunto de datos de imágenes etiquetadas y será capaz de identificar nuevos rostros.

Tiempo estimado para completar: 2-3 semanas

Tech stack utilizado: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/ageitgey/face_recognition

Nivel de dificultad: Intermedio

7. Proyecto Nombre: Traducción de idiomas

Descripción: Desarrollar un modelo que pueda traducir texto de un idioma a otro. El modelo se entrenará en un conjunto de datos de texto bilingüe y será capaz de traducir texto nuevo.

Tiempo estimado para completar: 4-6 semanas

Tech stack utilizado: Python, TensorFlow, Keras, NLTK

Ejemplo en línea: https://github.com/tensorflow/tensor2tensor

Nivel de dificultad: Avanzado

8. Proyecto Nombre: Detección de objetos

Descripción: Entrenar un modelo de aprendizaje profundo para detectar objetos en imágenes y videos. El modelo se entrenará en un conjunto de datos de imágenes etiquetadas y será capaz de identificar nuevos objetos.

Tiempo estimado para completar: 3-4 semanas

Tech stack utilizado: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/tensorflow/models/tree/master/research/object_detection

Nivel de dificultad: Intermedio

9. Proyecto Nombre: GAN para generación de imágenes

Descripción: Implementar una Red Adversaria Generativa (GAN) para generar nuevas imágenes. El modelo se entrenará en un conjunto de datos de imágenes y será capaz de generar nuevas imágenes basadas en los datos.

Tiempo estimado para completar: 4-6 semanas

Tech stack utilizado: Python, TensorFlow, Keras

Ejemplo en línea: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/generative_examples

Nivel de dificultad: Avanzado

10. Proyecto Nombre: Reconocimiento de emociones

Descripción: Desarrollar un modelo que pueda reconocer emociones en imágenes y videos. El modelo se entrenará en un conjunto de datos de imágenes etiquetadas y será capaz de identificar emociones en nuevas imágenes.

Tiempo estimado para completar: 2-3 semanas

Tech stack utilizado: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/oarriaga/face_classification

Nivel de dificultad: Intermedio

11. Proyecto Nombre: Generación de Texto

Descripción: Implementar un modelo de lenguaje basado en redes neuronales para generar texto en un idioma específico. El modelo se entrenará en un conjunto de datos de texto y será capaz de generar nuevos textos en el idioma específico.

Tiempo estimado para completar: 4-6 semanas

Tech stack utilizado: Python, TensorFlow, Keras, NLTK

Ejemplo en línea: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/text_generation

Nivel de dificultad: Avanzado

12. Proyecto Nombre: Clasificación de Audio

Descripción: Entrenar un modelo de aprendizaje profundo para clasificar archivos de audio en diferentes categorías. El modelo se entrenará en un conjunto de datos de archivos de audio etiquetados y será capaz de predecir la clase de nuevos archivos de audio.

Tiempo estimado para completar: 3-4 semanas

Tech stack utilizado: Python, TensorFlow, Keras, Librosa

Ejemplo en línea: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/speech_commands

Nivel de dificultad: Intermedio

13. Proyecto Nombre: Análisis de movimiento

Descripción: Desarrollar un modelo que pueda reconocer y analizar diferentes tipos de movimientos en videos. El modelo se entrenará en un conjunto de datos de videos etiquetados y será capaz de identificar y analizar nuevos movimientos en videos.

Tiempo estimado para completar: 4-6 semanas

Tech stack utilizado: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/tensorflow/models/tree/master/research/action_recognition

Nivel de dificultad: Avanzado

14. Proyecto Nombre: Generación de música

Descripción: Implementar un modelo de aprendizaje automático para generar música en un estilo específico. El modelo se entrenará en un conjunto de datos de música y será capaz de generar nueva música en el estilo específico.

Tiempo estimado para completar: 4-6 semanas

Tech stack utilizado: Python, TensorFlow, Keras, Music21

Ejemplo en línea: https://github.com/tensorflow/magenta/tree/master/magenta/models/melody_rnn

Nivel de dificultad: Avanzado

15. Proyecto Nombre: Análisis de datos en tiempo real

Descripción: Desarrollar un sistema que pueda recopilar y analizar datos en tiempo real. El sistema será capaz de recopilar datos de diferentes fuentes, analizarlos y proporcionar informes y alertas en tiempo real.

Tiempo estimado para completar: 4-6 semanas

Tech stack utilizado: Python, TensorFlow, Keras, Apache Kafka, Apache Storm

Ejemplo en línea: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/real_time_data_analytics

Nivel de dificultad: Avanzado

16. Nombre del proyecto: Síntesis de voz

Descripción: Desarrollar un modelo que pueda sintetizar voz a partir de texto. El modelo se entrenará en un conjunto de datos de voz y texto y podrá sintetizar nueva voz.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, gTTS

Ejemplo en línea: https://github.com/pndurette/gTTS

Nivel de dificultad: Intermedio

17. Nombre del proyecto: Reconocimiento de entidad nombrada

Descripción: Desarrolle un modelo que pueda reconocer y clasificar entidades nombradas en el texto. El modelo se entrenará en un conjunto de datos de texto etiquetado y podrá reconocer nuevas entidades nombradas.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, NLTK

Ejemplo en línea: https://github.com/tensorflow/models/tree/master/research/language

Nivel de dificultad: Intermedio

18. Nombre del proyecto: Segmentación de imágenes

Descripción: entrene un modelo de aprendizaje profundo para segmentar imágenes en diferentes regiones. El modelo se entrenará en un conjunto de datos de imágenes etiquetadas y podrá segmentar nuevas imágenes.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/tensorflow/models/tree/master/research/deeplab

Nivel de dificultad: Intermedio

19. Nombre del proyecto: Reconocimiento de escritura a mano

Descripción: Desarrollar un modelo que pueda reconocer escritura a mano en imágenes. El modelo será entrenado en un conjunto de datos de imágenes etiquetadas y podrá reconocer nueva escritura a mano.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/githubharald/SimpleHTR

Nivel de dificultad: Intermedio

20. Nombre del proyecto: subtítulos de imágenes

Descripción: Desarrollar un modelo que pueda generar subtítulos para imágenes. El modelo se entrenará en un conjunto de datos de imágenes etiquetadas y leyendas y podrá generar leyendas para nuevas imágenes.

Tiempo estimado para completar: 4-6 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/tensorflow/models/tree/master/research/im2txt

Nivel de dificultad: Avanzado

21. Nombre del proyecto: Procesamiento del lenguaje natural (NLP)

Descripción: Desarrolle un modelo que pueda realizar tareas de procesamiento de lenguaje natural, como clasificación de texto y análisis de sentimientos. El modelo se entrenará en un conjunto de datos de texto etiquetado y podrá realizar tareas de NLP en texto nuevo.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, NLTK

Ejemplo en línea: https://github.com/nltk/nltk

Nivel de dificultad: Principiante

22. Nombre del proyecto: Juego Jugando AI

Descripción: Desarrollar un agente de IA que pueda jugar un juego. El agente estará capacitado para tomar decisiones y realizar acciones en el juego.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenAI Gym

Ejemplo en línea: https://gym.openai.com/

Nivel de dificultad: Intermedio

23. Nombre del proyecto: Sistema de recomendación de libros

Descripción: desarrollar un modelo que pueda recomendar libros a los usuarios en función de sus preferencias de lectura. El modelo se entrenará en un conjunto de datos de preferencias de usuario e información de libros y podrá sugerir nuevos libros a los usuarios.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/zygmuntz/goodbooks-10k

Nivel de dificultad: Principiante

24. Nombre del proyecto: Intercambio de rostros

Descripción: Desarrolla un modelo que pueda intercambiar rostros en imágenes y videos. El modelo se entrenará en un conjunto de datos de imágenes etiquetadas y podrá intercambiar caras en nuevas imágenes y videos.

Tiempo estimado para completar: 4-6 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/deepfakes/faceswap

Nivel de dificultad: Avanzado

25. Nombre del proyecto: Texto a voz

Descripción: Desarrolle un modelo que pueda convertir texto a voz. El modelo se entrenará en un conjunto de datos de voz y texto y podrá generar una nueva voz basada en nuevas entradas de texto.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, gTTS

Ejemplo en línea: https://github.com/pndurette/gTTS

Nivel de dificultad: Intermedio

26. Nombre del proyecto: Mantenimiento predictivo

Descripción: Desarrolle un modelo que pueda predecir cuándo es probable que una máquina falle. El modelo se entrenará en un conjunto de datos de sensores de máquinas y podrá predecir cuándo es probable que una máquina falle.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/Azure/MachineLearningNotebooks/tree/master/how-to-use-azureml/machine-learning-with-python/predictive-maintenance-modeling

Nivel de dificultad: Intermedio

27. Nombre del proyecto: Imagen en pintura

Descripción: Desarrolle un modelo que pueda completar las partes faltantes de una imagen. El modelo se entrenará en un conjunto de datos de imágenes y podrá completar las partes faltantes de las nuevas imágenes.

Tiempo estimado para completar: 4-6 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/NVIDIA/partialconv-pytorch

Nivel de dificultad: Avanzado

28. Nombre del proyecto: seguimiento de objetos

Descripción: Desarrolle un modelo que pueda rastrear objetos en imágenes y videos. El modelo se entrenará en un conjunto de datos de imágenes etiquetadas y podrá rastrear nuevos objetos en nuevas imágenes y videos.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/jwyang/faster-rcnn.pytorch

Nivel de dificultad: Intermedio

29. Nombre del proyecto: Eliminación de ruido de imagen

Descripción: Desarrollar un modelo que pueda eliminar el ruido de las imágenes. El modelo se entrenará en un conjunto de datos de imágenes ruidosas y podrá eliminar el ruido de las nuevas imágenes.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/SaoYan/DnCNN-PyTorch

Nivel de dificultad: Intermedio

30. Nombre del proyecto: Predicción del precio de las acciones

Descripción: Desarrolle un modelo que pueda predecir los precios futuros de las acciones. El modelo se entrenará en un conjunto de datos de acciones históricas y podrá predecir los precios futuros de las acciones.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/llSourcell/How-to-Predict-Stock-Prices-Easily-Demo

Nivel de dificultad: Principiante

31. Nombre del proyecto: Imagen de superresolución

Descripción: Desarrollar un modelo que pueda aumentar la resolución de las imágenes. El modelo se entrenará en un conjunto de datos de imágenes y podrá aumentar la resolución de nuevas imágenes.

Tiempo estimado para completar: 4-6 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/twtygqyy/pytorch-SRResNet

Nivel de dificultad: Avanzado

32. Nombre del proyecto: Reconocimiento de la actividad humana

Descripción: Desarrollar un modelo que pueda reconocer actividades humanas en imágenes y videos. El modelo se entrenará en un conjunto de datos de imágenes y videos etiquetados y podrá reconocer nuevas actividades.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/guillaume-chevalier/LSTM-Human-Activity-Recognition

Nivel de dificultad: Intermedio

33. Nombre del proyecto: reconocimiento de emociones del habla

Descripción: Desarrollar un modelo que pueda reconocer emociones en el habla. El modelo se entrenará en un conjunto de datos de habla etiquetada y podrá reconocer emociones en un nuevo habla.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, SpeechRecognition

Ejemplo en línea: https://github.com/happynoom/Speech-Emotion-Recognition

Nivel de dificultad: Intermedio

34. Nombre del proyecto: Compresión de imágenes

Descripción: Desarrollar un modelo que pueda comprimir imágenes. El modelo se entrenará en un conjunto de datos de imágenes y podrá comprimir nuevas imágenes.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/tensorflow/models/tree/master/research/compression

Nivel de dificultad: Intermedio

35. Nombre del proyecto: Detección de anomalías

Descripción: Desarrolle un modelo que pueda detectar anomalías en los datos. El modelo se entrenará en un conjunto de datos normales y podrá detectar anomalías en datos nuevos.

Tiempo estimado para completar: 2-3 semanas

Techstack utilizado: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/yzhao062/anomaly-detection

Nivel de dificultad: Principiante

36. Nombre del Proyecto: Análisis de Sentimiento en Redes Sociales

Descripción: Desarrolle un modelo que pueda analizar el sentimiento de los tweets sobre un tema específico. El modelo se entrenará en un conjunto de datos de tweets etiquetados y podrá analizar el sentimiento de los nuevos tweets.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, NLTK, Tweepy

Ejemplo en línea: https://github.com/vprusso/youtube_tutorials/tree/master/twitter_python

Nivel de dificultad: Intermedio

37. Nombre del proyecto: subtítulos de imágenes inclusivos

Descripción: Desarrolle un modelo que pueda generar leyendas de imágenes inclusivas y diversas. El modelo se entrenará en un conjunto de datos de imágenes y subtítulos etiquetados y podrá generar nuevos subtítulos que sean inclusivos y diversos.

Tiempo estimado para completar: 4-6 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/google-research/image-captioning

Nivel de dificultad: Intermedio

38. Nombre del proyecto: Detección de fraude en finanzas Descripción: Desarrollar un modelo que pueda detectar transacciones fraudulentas en datos financieros. El modelo se entrenará en un conjunto de datos de datos financieros etiquetados y podrá detectar fraudes en nuevas transacciones.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/nsethi31/Kaggle-Fraud-Detection

Nivel de dificultad: Intermedio

39. Nombre del proyecto: Mantenimiento predictivo en el cuidado de la salud

Descripción: Desarrolle un modelo que pueda predecir cuándo es probable que falle un equipo médico. El modelo se entrenará en un conjunto de datos de sensores de equipos médicos y podrá predecir cuándo el equipo necesita mantenimiento.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/Azure/MachineLearningNotebooks/tree/master/how-to-use-azureml/machine-learning-with-python/predictive-maintenance-modeling

Nivel de dificultad: Intermedio

40. Nombre del proyecto: Recomendación de producto en Retail

Descripción: Desarrolle un modelo que pueda recomendar productos a los clientes en función de su historial de compras. El modelo se entrenará en un conjunto de datos de compra de clientes y podrá sugerir nuevos productos a los clientes.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/zygmuntz/goodbooks-10k

Nivel de dificultad: Principiante

41. Nombre del proyecto: Sugerencia de itinerario de viaje

Descripción: Desarrollar un modelo que pueda sugerir itinerarios de viaje basados en las preferencias de un usuario. El modelo se entrenará en un conjunto de datos de información de viajes y preferencias de los usuarios y podrá sugerir nuevos itinerarios a los usuarios.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/llSourcell/Travel_Itinerary_Generation

Nivel de dificultad: Intermedio

42. Nombre del Proyecto: Segmentación de Clientes en el Negocio Descripción: Desarrollar un modelo que pueda segmentar a los clientes en diferentes grupos en función de sus características y comportamiento. El modelo se entrenará en un conjunto de datos de clientes y podrá segmentar nuevos clientes.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/nsethi31/Kaggle-Customer-Segmentation

Nivel de dificultad: Intermedio

43. Nombre del proyecto: Precios predictivos en el comercio minorista

Descripción: Desarrolle un modelo que pueda predecir el precio óptimo de un producto. El modelo se entrenará en un conjunto de datos de precios y podrá predecir el precio óptimo para nuevos productos.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/nsethi31/Kaggle-Predictive-Pricing

Nivel de dificultad: Intermedio

44. Nombre del proyecto: Diagnóstico de enfermedades en el cuidado de la salud

Descripción: Desarrollar un modelo que pueda diagnosticar enfermedades en función de los síntomas del paciente y los resultados de las pruebas médicas. El modelo se entrenará en un conjunto de datos de pacientes y podrá diagnosticar nuevos pacientes.

Tiempo estimado para completar: 4-6 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/nsethi31/Kaggle-Disease-Diagnosis

Nivel de dificultad: Avanzado

45. Nombre del proyecto: Mantenimiento predictivo en la fabricación

Descripción: Desarrolle un modelo que pueda predecir cuándo es probable que falle el equipo de fabricación. El modelo se entrenará en un conjunto de datos de sensores de equipos de fabricación y podrá predecir cuándo el equipo necesita mantenimiento.

Tiempo estimado para completar: 3-4 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/Azure/MachineLearningNotebooks/tree/master/how-to-use-azureml/machine-learning-with-python/predictive-maintenance-modeling

Nivel de dificultad: Intermedio

46. Nombre del proyecto: Chatbot para atención al cliente en empresas

Descripción: Desarrolle un modelo que pueda simular una conversación similar a la humana para el servicio al cliente. El modelo se entrenará en un conjunto de datos de interacciones de servicio al cliente etiquetadas y podrá ayudar a nuevos clientes.

Tiempo estimado para completar: 4-6 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, NLTK

Ejemplo en línea: https://github.com/gunthercox/ChatterBot

Nivel de dificultad: Intermedio

47. Nombre del proyecto: pronóstico de ventas en el comercio minorista

Descripción: Desarrolle un modelo que pueda predecir las ventas futuras de un negocio minorista. El modelo se entrenará en un conjunto de datos de ventas históricas y podrá predecir las ventas futuras.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas Ejemplo en línea: https://github.com/nsethi31/Kaggle-Sales-Forecasting

Nivel de dificultad: Principiante

48. Nombre del proyecto: Análisis de imágenes para imágenes médicas en el cuidado de la salud Descripción: Desarrollar un modelo que pueda analizar imágenes médicas con fines de diagnóstico. El modelo se entrenará en un conjunto de datos de imágenes médicas etiquetadas y podrá analizar nuevas imágenes para el diagnóstico.

Tiempo estimado para completar: 4-6 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, OpenCV

Ejemplo en línea: https://github.com/nsethi31/Kaggle-Medical-Imaging

Nivel de dificultad: Avanzado

49. Nombre del proyecto: Detección de sesgos de género en PNL

Descripción: desarrollar un modelo que pueda detectar el sesgo de género en los modelos de procesamiento del lenguaje natural (NLP). El modelo se entrenará en un conjunto de datos de texto etiquetado y podrá detectar sesgos de género en nuevos datos de texto.

Tiempo estimado para completar: 2-3 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, NLTK

Ejemplo en línea: https://github.com/tolga-b/debiaswe

Nivel de dificultad: Intermedio

50. Nombre del proyecto: Equidad en el aprendizaje automático

Descripción: Desarrolle un modelo que pueda detectar y mitigar el sesgo en los modelos de aprendizaje automático. El modelo se entrenará en un conjunto de datos etiquetados y podrá detectar y mitigar el sesgo en los datos nuevos.

Tiempo estimado para completar: 4-6 semanas

Pila tecnológica utilizada: Python, TensorFlow, Keras, Pandas

Ejemplo en línea: https://github.com/IBM/AIF360

Nivel de dificultad: Avanzado

Si estas ideas le resultaron útiles, asegúrese de suscribirse a nuestro blog.