Recomendados
Recomendados
Más contenido relacionado
Similar a Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine Learning.pptx
Similar a Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine Learning.pptx (20)
Más de Luis775803
Más de Luis775803 (20)
Último
Último (20)
Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine Learning.pptx
- 1. #GlobalAzure May 5th – 7th,2022
- 3. Microsoft MVP en AI y Developer Technologies Investigador en Tomás Bata University in Zlín Docente en Tecnológico Nacional de México en Celaya @darkicebeam luis@luisbeltran.mx luisbeltran.mx
- 4. • Machine Learning • Azure Machine Learning • Demo
- 6. Con datos conocidos, desarrollar un modelo para predecir datos desconocidos Datos conocidos: Observaciones previas, datos históricos… Datos desconocidos: Datos ocultos, no existentes, futuros… Modelo: Datos conocidos + Algoritmos de ML
- 7. ¿Es un pan o no? Pan No Pan
- 8. Preparar los datos Evaluar Entrenar Implementar Entrenamiento del Modelo Consumo del Modelo Inferir Obtener los datos
- 13. • La ciencia de datos puede ser demasiado compleja • El costo de acceder / usar algoritmos de ML eficientes es alto • Se requiere un conocimiento integral en diferentes herramientas / plataformas para desarrollar un proyecto de ML completo • Es difícil poner la solución desarrollada en una etapa de producción escalable • Se necesita un método más simple / escalable:
- 18. • Documentación de Azure Machine Learning https://docs.microsoft.com/en-us/azure/machine-learning/ • Entrena y despliega un modelo de clasificación de imágenes con un Notebook de Jupyter de ejemplo https://docs.microsoft.com/en-us/azure/machine- learning/tutorial-train-deploy-notebook • Construye un pipeline de Azure Machine Learning para clasificación de imágenes https://docs.microsoft.com/en-us/azure/machine- learning/tutorial-pipeline-python-sdk
Notas del editor
- Es hacer que las computadoras hagan predicciones sin estar programadas explícitamente para dar una respuesta específica. Las computadoras encuentran patrones en los datos y aprenden de la experiencia para actuar sobre los nuevos datos. Se utiliza para resolver problemas que son difíciles o imposibles de resolver con la programación basada en reglas. La IA implica la construcción de modelos mediante el "entrenamiento" en conjuntos de datos y la derivación de predicciones ("inferencias") mediante la ejecución de estos modelos en nuevos puntos de datos. El DL con frecuencia requiere hardware especializado y puede consumir grandes cantidades de energía si no se usa de manera eficiente. Las GPU brindan una aceleración significativa y ganancias de rendimiento, pero consumen mucha energía.
- Imagenes de 28x28 px de dígitos escritos a mano. Cada imagen se puede modelar como un arreglo de números con valores entre cero y uno que describen qué tan oscuro cada pixel es (intensidad del pixel)
- Cada punto de datos en MNIST tiene 2 partes: el dígito escrito a mano y la etiqueta correspondiente (un número entre 0 y 9) que representa el dígito dibujado en la imagen.
- Después de producer un modelo de ML, la etiqueta se compara con el dígito que se predice por el modelo de ML a fin de conocer si la evaluación es exitosa o no. Consta de 70,000 imagenes divididas en 3 secciones: 55k para entrenamiento 10k para prueba 5k para validación
- Lo que queremos es Que Machine Learning sea accesible para todas las empresas, científicos de datos, desarrolladores, informáticos, consumidores y dispositivos en cualquier parte del mundo.
- Azure Machine Learning es una plataforma que proporciona una amplia gama de experiencias productivas y permite a los desarrolladores y científicos de datos crear, entrenar e implementar machine learning.
- Interfaz de usuario basada en web accesible desde navegadores web Comparte | colabora con cualquier otro espacio de trabajo de ML Diseño y desarrollo visual Drag & Drop