machine learning
Todas las noticias con este tag.
Ver estadísticas de este tema
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 4 nov 2026, 5:00 a. m. | 0 |
| 4 nov 2026, 6:00 a. m. | 0 |
| 4 nov 2026, 7:00 a. m. | 0 |
| 4 nov 2026, 8:00 a. m. | 0 |
| 4 nov 2026, 9:00 a. m. | 0 |
| 4 nov 2026, 10:00 a. m. | 0 |
| 4 nov 2026, 11:00 a. m. | 0 |
| 4 nov 2026, 12:00 p. m. | 0 |
| 4 nov 2026, 1:00 p. m. | 0 |
| 4 nov 2026, 2:00 p. m. | 0 |
| 4 nov 2026, 3:00 p. m. | 0 |
| 4 nov 2026, 4:00 p. m. | 0 |
| 4 nov 2026, 5:00 p. m. | 0 |
| 4 nov 2026, 6:00 p. m. | 0 |
| 4 nov 2026, 7:00 p. m. | 0 |
| 4 nov 2026, 8:00 p. m. | 0 |
| 4 nov 2026, 9:00 p. m. | 0 |
| 4 nov 2026, 10:00 p. m. | 0 |
| 4 nov 2026, 11:00 p. m. | 0 |
| 5 nov 2026, 12:00 a. m. | 0 |
| 5 nov 2026, 1:00 a. m. | 0 |
| 5 nov 2026, 2:00 a. m. | 0 |
| 5 nov 2026, 3:00 a. m. | 0 |
| 5 nov 2026, 4:00 a. m. | 0 |
| 5 nov 2026, 5:00 a. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-07 | 0 |
| 2026-10-08 | 0 |
| 2026-10-09 | 0 |
| 2026-10-10 | 0 |
| 2026-10-11 | 0 |
| 2026-10-12 | 0 |
| 2026-10-13 | 0 |
| 2026-10-14 | 0 |
| 2026-10-15 | 0 |
| 2026-10-16 | 0 |
| 2026-10-17 | 0 |
| 2026-10-18 | 0 |
| 2026-10-19 | 0 |
| 2026-10-20 | 0 |
| 2026-10-21 | 0 |
| 2026-10-22 | 0 |
| 2026-10-23 | 0 |
| 2026-10-24 | 0 |
| 2026-10-25 | 0 |
| 2026-10-26 | 0 |
| 2026-10-27 | 0 |
| 2026-10-28 | 0 |
| 2026-10-29 | 0 |
| 2026-10-30 | 0 |
| 2026-10-31 | 0 |
| 2026-11-01 | 0 |
| 2026-11-02 | 0 |
| 2026-11-03 | 51 |
| 2026-11-04 | 32 |
| 2026-11-05 | 0 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de machine learning
88 noticias · De más nuevas a más antiguas.
arXiv Computer Science AIVista de la Regla de Renormalización espectral del aprendizaje
Se estudia la convergencia de capas en redes neuronales profundas utilizando ideas de la Regla de Renormalización-Grupo Wilsoniana. Se postula que el exponente $\\alpha=2$ marca el límite entre aprendizaje estable y sobreajuste. Los resultados sugieren una visión de la Regla de Renormalización-Grupo espectral del aprendizaje, indicando que las redes neuronales pueden alcanzar una estructura espectral común.
Optimización de la Suma de Ventaja Blanqueada: Agregación Sensible a la Correlación para Aprendizaje por Refuerzo Multi-Recompensa
Se presenta WAS-PO, un método de aprendizaje por refuerzo que blanquea las ventajas normalizadas con $\Sigma^{-1/2}$ para aplicar pesos elegidos a los componentes decorrelacionados. Este método superó a GDPO en la recompensa de entrenamiento en pruebas con tres y cuatro recompensas. Además, WAS-PO sustituye la normalización por prompt de GDPO por normalización a nivel de lote.
Límites inferiores para el muestreo de difusión paralela
Se establecen los primeros límites inferiores polinomiales en la complejidad de ronda del muestreo de difusión con puntuaciones aproximadas. Se demuestra un límite inferior de ronda $\widetilde{\Omega}(d^{1/3})$ para mezclas gaussianas y un límite estricto de $\Omega(d)$ para el muestreo uniforme de cajas alineadas con ejes. Estos resultados aplican a algoritmos aleatorios con errores de puntuación de inversa polinomial.
Hugging Face BlogHugging Face presenta una Skill y un banco de pruebas para portar modelos de transformers a MLX con agentes de código
Hugging Face publicó una Skill y un banco de pruebas no agéntico para portar modelos de lenguaje de transformers a mlx-lm, de modo que queden disponibles casi al instante tras su incorporación a transformers. La herramienta asiste a colaboradores y revisores con andamiaje, verificación de configuraciones sensibles como RoPE y comparaciones numéricas por capa, y siempre declara que el PR fue asistido por agente. Los autores sostienen que el cuello de botella del código abierto es entender la base de código, no la velocidad de tipeo, y advierten sobre el aumento de PR generados por agentes que rompen contratos implícitos.
Codex de OpenAI ahora puede ejecutar experimentos de machine learning de punta a punta con Hugging Face Skills
Hugging Face publicó un tutorial que muestra cómo conectar el agente de programación Codex, de OpenAI, con el repositorio Hugging Face Skills para automatizar experimentos de machine learning de punta a punta. El agente puede validar datasets, elegir hardware, lanzar trabajos de fine-tuning, monitorear métricas con Trackio, evaluar checkpoints y convertir modelos a GGUF para despliegue local. El texto destaca que la extensión es de código abierto y soporta SFT, DPO y aprendizaje por refuerzo en modelos de 0.5B a 7B parámetros.
Arc Virtual Cell Challenge: una introducción para ingenieros de machine learning
El Arc Institute lanzó el Virtual Cell Challenge, un concurso que pide entrenar un modelo capaz de predecir el efecto de silenciar un gen con CRISPR en tipos celulares no vistos. El artículo explica para ingenieros de machine learning los datos de entrenamiento (unos 300 mil perfiles de secuenciación de ARN de célula única), la línea base STATE con sus modelos de transición y de embedding, y las métricas de evaluación del desafío.
Entrenamiento y ajuste fino de modelos reranker con Sentence Transformers
El artículo técnico de Tom Aarsen explica cómo entrenar y ajustar modelos reranker (cross-encoder) con la biblioteca Sentence Transformers, detallando componentes como datasets, funciones de pérdida, minería de negativos duros, argumentos de entrenamiento y evaluadores. Se presentan ejemplos prácticos con el dataset GooAQ y se demuestra que un modelo pequeño ajustado (tomaarsen/reranker-ModernBERT-base-gooaq-bce) supera a 13 rerankers públicos, incluso a modelos cuatro veces más grandes. La conclusión es que el ajuste fino en un dominio específico mejora el rendimiento de búsqueda y reduce la latencia.
Directores de Machine Learning analizan el impacto de la IA en comercio electrónico, ingeniería, educación y SaaS
Cuatro directores de Machine Learning —Javier Mansilla (Mercado Libre), Shaun Gittens (MasterPeace Solutions), Samuel Franklin (Pluralsight) y Evan Castle (Elastic)— comparten sus perspectivas sobre el impacto del ML en comercio electrónico, ingeniería, educación y SaaS. Abordan aplicaciones como prevención de fraude, personalización, detección de anomalías y búsqueda vectorial, y advierten sobre errores comunes como usar herramientas sobredimensionadas o descuidar el sesgo y los pipelines de despliegue. Coinciden en que la maduración de herramientas y prácticas acortará los ciclos de desarrollo de modelos.