SlideShare una empresa de Scribd logo

Introduccion a Azure Machine Learning.pptx

L
Luis775803

Introduccion a Azure Machine Learning

1 de 47
Descargar para leer sin conexión
Introducción a Azure
Machine Learning
Luis Beltrán
Microsoft MVP
Luis Beltrán
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
Agenda
• Machine Learning
• Azure Machine Learning
• Demo
¿Es un pan
o no?
if(esImagenDePerfil) {
if(esRectangular) {
if(tieneFormaCircular) {
if(tieneOrejas) {
return false;
}
else if (tieneOjos) {
return false;
}
else {
return true;
}
}
}
}
“La inteligencia artificial son
computadoras que hacen cosas
que normalmente
consideraríamos inteligentes en
humanos.”
Información
sensorial
Modelo
Comportamiento
Publicidad

Recomendados

Introducción a Azure Machine Learning
Introducción a Azure Machine LearningIntroducción a Azure Machine Learning
Introducción a Azure Machine LearningSpanishPASSVC
 
Implementando machine learning con c# y .net
Implementando machine learning con c# y .netImplementando machine learning con c# y .net
Implementando machine learning con c# y .netLuis Beltran
 
Que es Azure Machine Learning 2015
Que es Azure Machine Learning 2015Que es Azure Machine Learning 2015
Que es Azure Machine Learning 2015Eduardo Castro
 
Machine learning for dummies - Azuges November 2016
Machine learning for dummies - Azuges November 2016Machine learning for dummies - Azuges November 2016
Machine learning for dummies - Azuges November 2016Carlos Landeras Martínez
 
Machine learning conceptos y aplicaciones
Machine learning conceptos y aplicacionesMachine learning conceptos y aplicaciones
Machine learning conceptos y aplicacionesLuis Beltran
 
Transformación Digital – Ciencia de datos el siguiente nivel
Transformación Digital – Ciencia de datos el siguiente nivelTransformación Digital – Ciencia de datos el siguiente nivel
Transformación Digital – Ciencia de datos el siguiente nivelJOSE AHIAS LOPEZ PORTILLO
 
Introducción a Ciencia de datos con Microsoft
Introducción a Ciencia de datos con MicrosoftIntroducción a Ciencia de datos con Microsoft
Introducción a Ciencia de datos con MicrosoftJOSE AHIAS LOPEZ PORTILLO
 

Más contenido relacionado

Similar a Introduccion a Azure Machine Learning.pptx

Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine L...
Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine L...Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine L...
Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine L...Luis775803
 
UNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptxUNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptxLuis Beltran
 
24 HOP edición Español - Machine learning - Cesar Oviedo
24 HOP edición Español - Machine learning - Cesar Oviedo24 HOP edición Español - Machine learning - Cesar Oviedo
24 HOP edición Español - Machine learning - Cesar OviedoSpanishPASSVC
 
Machine Learning a lo berserker - Software Craftsmanship Barcelona 2016
Machine Learning a lo berserker  - Software Craftsmanship Barcelona 2016Machine Learning a lo berserker  - Software Craftsmanship Barcelona 2016
Machine Learning a lo berserker - Software Craftsmanship Barcelona 2016Beatriz Martín @zigiella
 
Prediciendo el futuro con Azure Machine Learning + aplicación en Xamarin
Prediciendo el futuro con Azure Machine Learning + aplicación en XamarinPrediciendo el futuro con Azure Machine Learning + aplicación en Xamarin
Prediciendo el futuro con Azure Machine Learning + aplicación en XamarinSoftware Guru
 
Cultura Maker: Pensando en el Pensamiento Computacional #Coding #DIY
Cultura Maker: Pensando en el Pensamiento Computacional #Coding #DIYCultura Maker: Pensando en el Pensamiento Computacional #Coding #DIY
Cultura Maker: Pensando en el Pensamiento Computacional #Coding #DIY@cristobalcobo
 
Mi primer modelo de clasificación con Azure Machine Learning Studio
Mi primer modelo de clasificación con Azure Machine Learning StudioMi primer modelo de clasificación con Azure Machine Learning Studio
Mi primer modelo de clasificación con Azure Machine Learning StudioJOSE AHIAS LOPEZ PORTILLO
 
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdfCEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdfLuis Beltran
 
Desplegando modelos de Machine Learning en producción (y no morir en el intento)
Desplegando modelos de Machine Learning en producción (y no morir en el intento)Desplegando modelos de Machine Learning en producción (y no morir en el intento)
Desplegando modelos de Machine Learning en producción (y no morir en el intento)Plain Concepts
 
Tendencias emergentes de e-learning: MOOCs, gamificación y datos masivos
Tendencias emergentes de  e-learning: MOOCs, gamificación y datos masivosTendencias emergentes de  e-learning: MOOCs, gamificación y datos masivos
Tendencias emergentes de e-learning: MOOCs, gamificación y datos masivosFernando Santamaría
 
U PLAN Ciencia de datos e inteligencia (8).pdf
U PLAN Ciencia de datos e inteligencia  (8).pdfU PLAN Ciencia de datos e inteligencia  (8).pdf
U PLAN Ciencia de datos e inteligencia (8).pdfFernandoMoncada20
 
Inteligencia artificial málaga meetup #002 - Watson Tienes un Email
Inteligencia artificial málaga meetup #002 - Watson Tienes un EmailInteligencia artificial málaga meetup #002 - Watson Tienes un Email
Inteligencia artificial málaga meetup #002 - Watson Tienes un EmailDiego Jarillo
 
Sesion-1-Carlos-Real-y-Antonio-Gazquez.pdf
Sesion-1-Carlos-Real-y-Antonio-Gazquez.pdfSesion-1-Carlos-Real-y-Antonio-Gazquez.pdf
Sesion-1-Carlos-Real-y-Antonio-Gazquez.pdfJuan225106
 
Minería de datos / Machine Learning
Minería de datos / Machine LearningMinería de datos / Machine Learning
Minería de datos / Machine LearningSpanishPASSVC
 
CIITEC Fundamentos de Deep Learning.pptx
CIITEC  Fundamentos de Deep Learning.pptxCIITEC  Fundamentos de Deep Learning.pptx
CIITEC Fundamentos de Deep Learning.pptxicebeam7
 

Similar a Introduccion a Azure Machine Learning.pptx (20)

Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine L...
Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine L...Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine L...
Global Azure 2022 en Español - Clasificacion de imagenes con Azure Machine L...
 
UNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptxUNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptx
 
24 HOP edición Español - Machine learning - Cesar Oviedo
24 HOP edición Español - Machine learning - Cesar Oviedo24 HOP edición Español - Machine learning - Cesar Oviedo
24 HOP edición Español - Machine learning - Cesar Oviedo
 
Machine Learning a lo berserker - Software Craftsmanship Barcelona 2016
Machine Learning a lo berserker  - Software Craftsmanship Barcelona 2016Machine Learning a lo berserker  - Software Craftsmanship Barcelona 2016
Machine Learning a lo berserker - Software Craftsmanship Barcelona 2016
 
Prediciendo el futuro con Azure Machine Learning + aplicación en Xamarin
Prediciendo el futuro con Azure Machine Learning + aplicación en XamarinPrediciendo el futuro con Azure Machine Learning + aplicación en Xamarin
Prediciendo el futuro con Azure Machine Learning + aplicación en Xamarin
 
Cultura Maker: Pensando en el Pensamiento Computacional #Coding #DIY
Cultura Maker: Pensando en el Pensamiento Computacional #Coding #DIYCultura Maker: Pensando en el Pensamiento Computacional #Coding #DIY
Cultura Maker: Pensando en el Pensamiento Computacional #Coding #DIY
 
Mi primer modelo de clasificación con Azure Machine Learning Studio
Mi primer modelo de clasificación con Azure Machine Learning StudioMi primer modelo de clasificación con Azure Machine Learning Studio
Mi primer modelo de clasificación con Azure Machine Learning Studio
 
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdfCEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf
 
Dm 01
Dm 01Dm 01
Dm 01
 
Desplegando modelos de Machine Learning en producción (y no morir en el intento)
Desplegando modelos de Machine Learning en producción (y no morir en el intento)Desplegando modelos de Machine Learning en producción (y no morir en el intento)
Desplegando modelos de Machine Learning en producción (y no morir en el intento)
 
Machine learning
Machine learningMachine learning
Machine learning
 
Tendencias emergentes de e-learning: MOOCs, gamificación y datos masivos
Tendencias emergentes de  e-learning: MOOCs, gamificación y datos masivosTendencias emergentes de  e-learning: MOOCs, gamificación y datos masivos
Tendencias emergentes de e-learning: MOOCs, gamificación y datos masivos
 
U PLAN Ciencia de datos e inteligencia (8).pdf
U PLAN Ciencia de datos e inteligencia  (8).pdfU PLAN Ciencia de datos e inteligencia  (8).pdf
U PLAN Ciencia de datos e inteligencia (8).pdf
 
Inteligencia artificial málaga meetup #002 - Watson Tienes un Email
Inteligencia artificial málaga meetup #002 - Watson Tienes un EmailInteligencia artificial málaga meetup #002 - Watson Tienes un Email
Inteligencia artificial málaga meetup #002 - Watson Tienes un Email
 
Qué es la ciencia de datos.pdf
Qué es la ciencia de datos.pdfQué es la ciencia de datos.pdf
Qué es la ciencia de datos.pdf
 
¿Quién, cuándo, dónde y por qué?
¿Quién, cuándo, dónde y por qué?¿Quién, cuándo, dónde y por qué?
¿Quién, cuándo, dónde y por qué?
 
Metric Video Analytics
Metric Video AnalyticsMetric Video Analytics
Metric Video Analytics
 
Sesion-1-Carlos-Real-y-Antonio-Gazquez.pdf
Sesion-1-Carlos-Real-y-Antonio-Gazquez.pdfSesion-1-Carlos-Real-y-Antonio-Gazquez.pdf
Sesion-1-Carlos-Real-y-Antonio-Gazquez.pdf
 
Minería de datos / Machine Learning
Minería de datos / Machine LearningMinería de datos / Machine Learning
Minería de datos / Machine Learning
 
CIITEC Fundamentos de Deep Learning.pptx
CIITEC  Fundamentos de Deep Learning.pptxCIITEC  Fundamentos de Deep Learning.pptx
CIITEC Fundamentos de Deep Learning.pptx
 

Más de Luis775803

TalentLand - Entendiendo tus documentos con Azure Form Recognizer.pptx
TalentLand - Entendiendo tus documentos con Azure Form Recognizer.pptxTalentLand - Entendiendo tus documentos con Azure Form Recognizer.pptx
TalentLand - Entendiendo tus documentos con Azure Form Recognizer.pptxLuis775803
 
IA Conversacional con Power Virtual Agents.pptx
IA Conversacional con Power Virtual Agents.pptxIA Conversacional con Power Virtual Agents.pptx
IA Conversacional con Power Virtual Agents.pptxLuis775803
 
Colombia Cloud Bootcamp - IA y Accesibilidad Pronunciation Assessment.pptx
Colombia Cloud Bootcamp - IA y Accesibilidad Pronunciation Assessment.pptxColombia Cloud Bootcamp - IA y Accesibilidad Pronunciation Assessment.pptx
Colombia Cloud Bootcamp - IA y Accesibilidad Pronunciation Assessment.pptxLuis775803
 
STEMWeek - Entendiendo tus documentos con Azure Form Recognizer.pptx
STEMWeek - Entendiendo tus documentos con Azure Form Recognizer.pptxSTEMWeek - Entendiendo tus documentos con Azure Form Recognizer.pptx
STEMWeek - Entendiendo tus documentos con Azure Form Recognizer.pptxLuis775803
 
Student Summit - Conoce más sobre mi carrera en IA y Datos.pptx
Student Summit - Conoce más sobre mi carrera en IA y Datos.pptxStudent Summit - Conoce más sobre mi carrera en IA y Datos.pptx
Student Summit - Conoce más sobre mi carrera en IA y Datos.pptxLuis775803
 
Gira Speaker Latam - IA y Accesibilidad con Pronunciation Assessment.pptx
Gira Speaker Latam - IA y Accesibilidad con Pronunciation Assessment.pptxGira Speaker Latam - IA y Accesibilidad con Pronunciation Assessment.pptx
Gira Speaker Latam - IA y Accesibilidad con Pronunciation Assessment.pptxLuis775803
 
Build After Party Bolivia - Hugging Face on Azure.pptx
Build After Party Bolivia - Hugging Face on Azure.pptxBuild After Party Bolivia - Hugging Face on Azure.pptx
Build After Party Bolivia - Hugging Face on Azure.pptxLuis775803
 
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...Luis775803
 
Introduction to .NET MAUI.pdf
Introduction to .NET MAUI.pdfIntroduction to .NET MAUI.pdf
Introduction to .NET MAUI.pdfLuis775803
 
SISWeek Creando un sistema de reconocimiento facial con Face API.pptx
SISWeek Creando un sistema de reconocimiento facial con Face API.pptxSISWeek Creando un sistema de reconocimiento facial con Face API.pptx
SISWeek Creando un sistema de reconocimiento facial con Face API.pptxLuis775803
 
Azure Guatemala.pptx
Azure Guatemala.pptxAzure Guatemala.pptx
Azure Guatemala.pptxLuis775803
 
Conoce las novedades de .NET MAUI en .NET 7.pptx
Conoce las novedades de .NET MAUI en .NET 7.pptxConoce las novedades de .NET MAUI en .NET 7.pptx
Conoce las novedades de .NET MAUI en .NET 7.pptxLuis775803
 
GAIB Philippines - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Philippines - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptxGAIB Philippines - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Philippines - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptxLuis775803
 
Power BI Summit 2023 - Embedding PowerBI reports in .NET MAUI mobile apps.pptx
Power BI Summit 2023 - Embedding PowerBI reports in .NET MAUI mobile apps.pptxPower BI Summit 2023 - Embedding PowerBI reports in .NET MAUI mobile apps.pptx
Power BI Summit 2023 - Embedding PowerBI reports in .NET MAUI mobile apps.pptxLuis775803
 
Towards Responsible AI - Global AI Student Conference 2022.pptx
Towards Responsible AI - Global AI Student Conference 2022.pptxTowards Responsible AI - Global AI Student Conference 2022.pptx
Towards Responsible AI - Global AI Student Conference 2022.pptxLuis775803
 
Mes de Datos Ciencia de Datos a otro nivel con Azure Machine Learning.pptx
Mes de Datos Ciencia de Datos a otro nivel con Azure Machine Learning.pptxMes de Datos Ciencia de Datos a otro nivel con Azure Machine Learning.pptx
Mes de Datos Ciencia de Datos a otro nivel con Azure Machine Learning.pptxLuis775803
 
GAIB Germany - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Germany - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptxGAIB Germany - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Germany - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptxLuis775803
 
Platzi Azure.pptx
Platzi Azure.pptxPlatzi Azure.pptx
Platzi Azure.pptxLuis775803
 
GAIB Latam - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Latam - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptxGAIB Latam - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Latam - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptxLuis775803
 
Virtual Azure Community Day - Workloads de búsqueda full-text Azure Search.pptx
Virtual Azure Community Day - Workloads de búsqueda full-text Azure Search.pptxVirtual Azure Community Day - Workloads de búsqueda full-text Azure Search.pptx
Virtual Azure Community Day - Workloads de búsqueda full-text Azure Search.pptxLuis775803
 

Más de Luis775803 (20)

TalentLand - Entendiendo tus documentos con Azure Form Recognizer.pptx
TalentLand - Entendiendo tus documentos con Azure Form Recognizer.pptxTalentLand - Entendiendo tus documentos con Azure Form Recognizer.pptx
TalentLand - Entendiendo tus documentos con Azure Form Recognizer.pptx
 
IA Conversacional con Power Virtual Agents.pptx
IA Conversacional con Power Virtual Agents.pptxIA Conversacional con Power Virtual Agents.pptx
IA Conversacional con Power Virtual Agents.pptx
 
Colombia Cloud Bootcamp - IA y Accesibilidad Pronunciation Assessment.pptx
Colombia Cloud Bootcamp - IA y Accesibilidad Pronunciation Assessment.pptxColombia Cloud Bootcamp - IA y Accesibilidad Pronunciation Assessment.pptx
Colombia Cloud Bootcamp - IA y Accesibilidad Pronunciation Assessment.pptx
 
STEMWeek - Entendiendo tus documentos con Azure Form Recognizer.pptx
STEMWeek - Entendiendo tus documentos con Azure Form Recognizer.pptxSTEMWeek - Entendiendo tus documentos con Azure Form Recognizer.pptx
STEMWeek - Entendiendo tus documentos con Azure Form Recognizer.pptx
 
Student Summit - Conoce más sobre mi carrera en IA y Datos.pptx
Student Summit - Conoce más sobre mi carrera en IA y Datos.pptxStudent Summit - Conoce más sobre mi carrera en IA y Datos.pptx
Student Summit - Conoce más sobre mi carrera en IA y Datos.pptx
 
Gira Speaker Latam - IA y Accesibilidad con Pronunciation Assessment.pptx
Gira Speaker Latam - IA y Accesibilidad con Pronunciation Assessment.pptxGira Speaker Latam - IA y Accesibilidad con Pronunciation Assessment.pptx
Gira Speaker Latam - IA y Accesibilidad con Pronunciation Assessment.pptx
 
Build After Party Bolivia - Hugging Face on Azure.pptx
Build After Party Bolivia - Hugging Face on Azure.pptxBuild After Party Bolivia - Hugging Face on Azure.pptx
Build After Party Bolivia - Hugging Face on Azure.pptx
 
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
Microsoft Reactor - Creando un modelo de Regresión con Azure Machine Learnin...
 
Introduction to .NET MAUI.pdf
Introduction to .NET MAUI.pdfIntroduction to .NET MAUI.pdf
Introduction to .NET MAUI.pdf
 
SISWeek Creando un sistema de reconocimiento facial con Face API.pptx
SISWeek Creando un sistema de reconocimiento facial con Face API.pptxSISWeek Creando un sistema de reconocimiento facial con Face API.pptx
SISWeek Creando un sistema de reconocimiento facial con Face API.pptx
 
Azure Guatemala.pptx
Azure Guatemala.pptxAzure Guatemala.pptx
Azure Guatemala.pptx
 
Conoce las novedades de .NET MAUI en .NET 7.pptx
Conoce las novedades de .NET MAUI en .NET 7.pptxConoce las novedades de .NET MAUI en .NET 7.pptx
Conoce las novedades de .NET MAUI en .NET 7.pptx
 
GAIB Philippines - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Philippines - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptxGAIB Philippines - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Philippines - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
 
Power BI Summit 2023 - Embedding PowerBI reports in .NET MAUI mobile apps.pptx
Power BI Summit 2023 - Embedding PowerBI reports in .NET MAUI mobile apps.pptxPower BI Summit 2023 - Embedding PowerBI reports in .NET MAUI mobile apps.pptx
Power BI Summit 2023 - Embedding PowerBI reports in .NET MAUI mobile apps.pptx
 
Towards Responsible AI - Global AI Student Conference 2022.pptx
Towards Responsible AI - Global AI Student Conference 2022.pptxTowards Responsible AI - Global AI Student Conference 2022.pptx
Towards Responsible AI - Global AI Student Conference 2022.pptx
 
Mes de Datos Ciencia de Datos a otro nivel con Azure Machine Learning.pptx
Mes de Datos Ciencia de Datos a otro nivel con Azure Machine Learning.pptxMes de Datos Ciencia de Datos a otro nivel con Azure Machine Learning.pptx
Mes de Datos Ciencia de Datos a otro nivel con Azure Machine Learning.pptx
 
GAIB Germany - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Germany - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptxGAIB Germany - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Germany - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
 
Platzi Azure.pptx
Platzi Azure.pptxPlatzi Azure.pptx
Platzi Azure.pptx
 
GAIB Latam - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Latam - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptxGAIB Latam - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
GAIB Latam - Tailoring OpenAI’s GPT-3 to suit your specific needs.pptx
 
Virtual Azure Community Day - Workloads de búsqueda full-text Azure Search.pptx
Virtual Azure Community Day - Workloads de búsqueda full-text Azure Search.pptxVirtual Azure Community Day - Workloads de búsqueda full-text Azure Search.pptx
Virtual Azure Community Day - Workloads de búsqueda full-text Azure Search.pptx
 

Último

IT + IA, La integración de la inteligencia artificial en las redes de comunic...
IT + IA, La integración de la inteligencia artificial en las redes de comunic...IT + IA, La integración de la inteligencia artificial en las redes de comunic...
IT + IA, La integración de la inteligencia artificial en las redes de comunic...Educática
 
Operadores de Kubernetes: El poder de la automatización
Operadores de Kubernetes: El poder de la automatizaciónOperadores de Kubernetes: El poder de la automatización
Operadores de Kubernetes: El poder de la automatizaciónEdith Puclla
 
Teñidos a Temperatura Ambiente y Descargables
Teñidos a Temperatura Ambiente y DescargablesTeñidos a Temperatura Ambiente y Descargables
Teñidos a Temperatura Ambiente y DescargablesCHEMPRO
 
Realiza tu primera contribucion a la OCA
Realiza tu primera contribucion a la OCARealiza tu primera contribucion a la OCA
Realiza tu primera contribucion a la OCAMaxime Chambreuil
 
cronogramangeneralnadso___856567bd2e7b829___.pdf
cronogramangeneralnadso___856567bd2e7b829___.pdfcronogramangeneralnadso___856567bd2e7b829___.pdf
cronogramangeneralnadso___856567bd2e7b829___.pdfjhongarciarojas123
 
Practica Web de la Sesión 2 , Creacion de base de datos
Practica Web de la Sesión 2 , Creacion de base de datosPractica Web de la Sesión 2 , Creacion de base de datos
Practica Web de la Sesión 2 , Creacion de base de datosChristianRivera122452
 
presentacion de una computadora modelo uncs
presentacion de una computadora modelo uncspresentacion de una computadora modelo uncs
presentacion de una computadora modelo uncscarlocarrillocacc
 
Índice del libro: Máxima Seguridad en Windows: Secretos Técnicos. 6ª Edición ...
Índice del libro: Máxima Seguridad en Windows: Secretos Técnicos. 6ª Edición ...Índice del libro: Máxima Seguridad en Windows: Secretos Técnicos. 6ª Edición ...
Índice del libro: Máxima Seguridad en Windows: Secretos Técnicos. 6ª Edición ...Telefónica
 
IA aplicada a las aulas. Aumentame EDU 2024
IA aplicada a las aulas. Aumentame EDU 2024IA aplicada a las aulas. Aumentame EDU 2024
IA aplicada a las aulas. Aumentame EDU 2024Isidro Navarro
 
David_Gallegos - tarea de la sesión 2.pptx
David_Gallegos - tarea de la sesión 2.pptxDavid_Gallegos - tarea de la sesión 2.pptx
David_Gallegos - tarea de la sesión 2.pptxDAVIDROBERTOGALLEGOS
 
Breve Resumen Modelos Evaluación REDs e Instrumentos
Breve Resumen Modelos Evaluación REDs e InstrumentosBreve Resumen Modelos Evaluación REDs e Instrumentos
Breve Resumen Modelos Evaluación REDs e Instrumentosdarkcrow08
 
Desarrollo de Interfaces 2t Desarrollo Aplicaciones Móvilles
Desarrollo de Interfaces 2t Desarrollo Aplicaciones MóvillesDesarrollo de Interfaces 2t Desarrollo Aplicaciones Móvilles
Desarrollo de Interfaces 2t Desarrollo Aplicaciones MóvillesMaricarmen Sánchez Ruiz
 
Las Tic en casa, las tics en diferentes ambitos
Las Tic en casa, las tics en diferentes ambitosLas Tic en casa, las tics en diferentes ambitos
Las Tic en casa, las tics en diferentes ambitosvikicarmine14
 
BIG DATA EJEMPLOS. desarrrollo de curso.pdf
BIG DATA EJEMPLOS. desarrrollo de curso.pdfBIG DATA EJEMPLOS. desarrrollo de curso.pdf
BIG DATA EJEMPLOS. desarrrollo de curso.pdfexpertoleonelmartine
 
Manual de usuario Dongle Zigbee 3.0 Sonoff
Manual de usuario Dongle Zigbee 3.0 SonoffManual de usuario Dongle Zigbee 3.0 Sonoff
Manual de usuario Dongle Zigbee 3.0 SonoffDomotica daVinci
 
Situación comparativa de los Ferrocarriles en el mundo y en Colombia
Situación comparativa de los Ferrocarriles en el mundo y en ColombiaSituación comparativa de los Ferrocarriles en el mundo y en Colombia
Situación comparativa de los Ferrocarriles en el mundo y en ColombiaEnrique Posada
 
Premio (tecnología actividad)combinación...
Premio (tecnología actividad)combinación...Premio (tecnología actividad)combinación...
Premio (tecnología actividad)combinación...NicolleAndrade7
 
FACULTAD DE DERECHO MEXICALI. TRABAJO DE TECNOLOGIAS DE LA INVESTIGACION JUR...
FACULTAD DE DERECHO MEXICALI. TRABAJO DE  TECNOLOGIAS DE LA INVESTIGACION JUR...FACULTAD DE DERECHO MEXICALI. TRABAJO DE  TECNOLOGIAS DE LA INVESTIGACION JUR...
FACULTAD DE DERECHO MEXICALI. TRABAJO DE TECNOLOGIAS DE LA INVESTIGACION JUR...yaniraoceguera
 
Abrirse Camino en Open Source: Oportunidades, Contribuciones y Carrera
Abrirse Camino en Open Source: Oportunidades, Contribuciones y CarreraAbrirse Camino en Open Source: Oportunidades, Contribuciones y Carrera
Abrirse Camino en Open Source: Oportunidades, Contribuciones y CarreraEdith Puclla
 

Último (20)

IT + IA, La integración de la inteligencia artificial en las redes de comunic...
IT + IA, La integración de la inteligencia artificial en las redes de comunic...IT + IA, La integración de la inteligencia artificial en las redes de comunic...
IT + IA, La integración de la inteligencia artificial en las redes de comunic...
 
Operadores de Kubernetes: El poder de la automatización
Operadores de Kubernetes: El poder de la automatizaciónOperadores de Kubernetes: El poder de la automatización
Operadores de Kubernetes: El poder de la automatización
 
Teñidos a Temperatura Ambiente y Descargables
Teñidos a Temperatura Ambiente y DescargablesTeñidos a Temperatura Ambiente y Descargables
Teñidos a Temperatura Ambiente y Descargables
 
Realiza tu primera contribucion a la OCA
Realiza tu primera contribucion a la OCARealiza tu primera contribucion a la OCA
Realiza tu primera contribucion a la OCA
 
La píldora de los jueves: Las claves del BREEAM - Leticia Galdos
La píldora de los jueves: Las claves del BREEAM - Leticia GaldosLa píldora de los jueves: Las claves del BREEAM - Leticia Galdos
La píldora de los jueves: Las claves del BREEAM - Leticia Galdos
 
cronogramangeneralnadso___856567bd2e7b829___.pdf
cronogramangeneralnadso___856567bd2e7b829___.pdfcronogramangeneralnadso___856567bd2e7b829___.pdf
cronogramangeneralnadso___856567bd2e7b829___.pdf
 
Practica Web de la Sesión 2 , Creacion de base de datos
Practica Web de la Sesión 2 , Creacion de base de datosPractica Web de la Sesión 2 , Creacion de base de datos
Practica Web de la Sesión 2 , Creacion de base de datos
 
presentacion de una computadora modelo uncs
presentacion de una computadora modelo uncspresentacion de una computadora modelo uncs
presentacion de una computadora modelo uncs
 
Índice del libro: Máxima Seguridad en Windows: Secretos Técnicos. 6ª Edición ...
Índice del libro: Máxima Seguridad en Windows: Secretos Técnicos. 6ª Edición ...Índice del libro: Máxima Seguridad en Windows: Secretos Técnicos. 6ª Edición ...
Índice del libro: Máxima Seguridad en Windows: Secretos Técnicos. 6ª Edición ...
 
IA aplicada a las aulas. Aumentame EDU 2024
IA aplicada a las aulas. Aumentame EDU 2024IA aplicada a las aulas. Aumentame EDU 2024
IA aplicada a las aulas. Aumentame EDU 2024
 
David_Gallegos - tarea de la sesión 2.pptx
David_Gallegos - tarea de la sesión 2.pptxDavid_Gallegos - tarea de la sesión 2.pptx
David_Gallegos - tarea de la sesión 2.pptx
 
Breve Resumen Modelos Evaluación REDs e Instrumentos
Breve Resumen Modelos Evaluación REDs e InstrumentosBreve Resumen Modelos Evaluación REDs e Instrumentos
Breve Resumen Modelos Evaluación REDs e Instrumentos
 
Desarrollo de Interfaces 2t Desarrollo Aplicaciones Móvilles
Desarrollo de Interfaces 2t Desarrollo Aplicaciones MóvillesDesarrollo de Interfaces 2t Desarrollo Aplicaciones Móvilles
Desarrollo de Interfaces 2t Desarrollo Aplicaciones Móvilles
 
Las Tic en casa, las tics en diferentes ambitos
Las Tic en casa, las tics en diferentes ambitosLas Tic en casa, las tics en diferentes ambitos
Las Tic en casa, las tics en diferentes ambitos
 
BIG DATA EJEMPLOS. desarrrollo de curso.pdf
BIG DATA EJEMPLOS. desarrrollo de curso.pdfBIG DATA EJEMPLOS. desarrrollo de curso.pdf
BIG DATA EJEMPLOS. desarrrollo de curso.pdf
 
Manual de usuario Dongle Zigbee 3.0 Sonoff
Manual de usuario Dongle Zigbee 3.0 SonoffManual de usuario Dongle Zigbee 3.0 Sonoff
Manual de usuario Dongle Zigbee 3.0 Sonoff
 
Situación comparativa de los Ferrocarriles en el mundo y en Colombia
Situación comparativa de los Ferrocarriles en el mundo y en ColombiaSituación comparativa de los Ferrocarriles en el mundo y en Colombia
Situación comparativa de los Ferrocarriles en el mundo y en Colombia
 
Premio (tecnología actividad)combinación...
Premio (tecnología actividad)combinación...Premio (tecnología actividad)combinación...
Premio (tecnología actividad)combinación...
 
FACULTAD DE DERECHO MEXICALI. TRABAJO DE TECNOLOGIAS DE LA INVESTIGACION JUR...
FACULTAD DE DERECHO MEXICALI. TRABAJO DE  TECNOLOGIAS DE LA INVESTIGACION JUR...FACULTAD DE DERECHO MEXICALI. TRABAJO DE  TECNOLOGIAS DE LA INVESTIGACION JUR...
FACULTAD DE DERECHO MEXICALI. TRABAJO DE TECNOLOGIAS DE LA INVESTIGACION JUR...
 
Abrirse Camino en Open Source: Oportunidades, Contribuciones y Carrera
Abrirse Camino en Open Source: Oportunidades, Contribuciones y CarreraAbrirse Camino en Open Source: Oportunidades, Contribuciones y Carrera
Abrirse Camino en Open Source: Oportunidades, Contribuciones y Carrera
 

Introduccion a Azure Machine Learning.pptx

  • 1. Introducción a Azure Machine Learning Luis Beltrán Microsoft MVP
  • 2. Luis Beltrán 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
  • 3. Agenda • Machine Learning • Azure Machine Learning • Demo
  • 4. ¿Es un pan o no? if(esImagenDePerfil) { if(esRectangular) { if(tieneFormaCircular) { if(tieneOrejas) { return false; } else if (tieneOjos) { return false; } else { return true; } } } }
  • 5. “La inteligencia artificial son computadoras que hacen cosas que normalmente consideraríamos inteligentes en humanos.”
  • 7. ¿Es un pan o no? ¿Es un pan o no?
  • 10. ¿Es un pan o no? Pan No Pan
  • 12. ¿Es raro? (Anomalía) ¿Y ahora qué? (Aprendizaje por refuerzo) Predecir cuánto (Regresión) ¿Qué categoría? (Clasificación) Estructura de datos (Clustering, Recomendador)
  • 14. Machine Learning 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
  • 15. Algoritmos de machine learning • Regresión: Ridge regression, Support Vector Machines, Random Forest, Multilayer Neural Networks, Deep Neural Networks, ... • Clasificación: Naive Base, Support Vector Machines, Random Forest, Multilayer Neural Networks, Deep Neural Networks, ... • Clustering: k-Means, Hierarchical Clustering, ... 15
  • 16. Ejemplo #2 de Algoritmo de Machine Learning: Regresión Lineal • La Regresión Lineal es una técnica paramétrica utilizada para predecir variables continuas dado un conjunto de variables independientes. • Si el conjunto de datos sigue una tendencia, la regresión arroja resultados cercanos a la realidad, de lo contrario, tiene dificultades para proporcionar una precisión convincente.
  • 17. Tareas de Machine Learning • Aprendizaje supervisado • Regresión: predecir valores numéricos • Clasificación: predecir valores categóricos, es decir, etiquetas • Aprendizaje no supervisado • clustering: Agrupar datos según "distancia" • association: Encontrar coincidencias frecuentes • link prediction: Descubrir relaciones en datos • data reduction: seleccionar menos características • Aprendizaje por refuerzo 17
  • 18. Regresión Colorear imágenes en blanco y negro automáticamente https://tinyclouds.org/colorize/ 18
  • 20. Aprendizaje por refuerzo Aprendiendo a jugar Break Out https://www.youtube.com/watch?v=V1eY niJ0Rnk 20
  • 21. Clustering Predicción de delitos mediante agrupamiento de k-means http://www.grdjournals.com/uploads/article/ GRDJE/V02/I05/0176/GRDJEV02I050176. pdf 21
  • 22. • Machine Learning está haciendo grandes avances • Conjuntos de datos grandes y buenos • Potencia de cómputo • Avances en algoritmos • Muchas aplicaciones interesantes • comerciales • científicas • Vínculos con la inteligencia artificial • Sin embargo, IA  machine learning 22
  • 24. Frameworks • Lenguajes de programación • Python • R • C++ • ... • Muchas librerías • scikit-learn • PyTorch • TensorFlow • Keras • … 24 Machine learning clásico deep learning frameworks ¡Ecosistema en rápida evolución!
  • 25. scikit-learn • Buen framework con varias capacidades • Exploración de datos (+ pandas + holoviews) • Preprocesamiento de datos (+ pandas) • Limpieza de datos, manejo de datos faltantes • Normalización • Entrenamiento • Prueba • Aplicación • Machine learning ”clásico" • https://scikit-learn.org/stable/ 25
  • 26. Pipeline de datos • Ingesta de datos • CSV/JSON/XML/H5 files, RDBMS, NoSQL, HTTP,... • Limpieza de datos • valores atípicos/no válidos?  filtrar • ¿Valores faltantes?  ajustar • Transformación de datos • scaling/normalization 26 Debe hacerse sistemáticamente
  • 27. Aprendizaje supervisado: metodología • Seleccione un modelo, por ejemplo, random forest, red neuronal (profunda), ... • Entrene el modelo, es decir, determine parámetros • Datos: entrada + salida • Datos de entrenamiento  Determinar los parámetros del modelo • Datos de validación  Criterio para evitar el sobreajuste • Pruebe el modelo • Datos: entrada + salida • Datos de prueba  Puntuación final del modelo • Producción • Datos: entrada  predecir salida 27
  • 28. Preparar los datos Evaluar Entrenar Implementar Entrenamiento del Modelo Consumo del Modelo Inferir Obtener los datos
  • 29. Obtener los datos Fuentes de Datos Pipeline Entorno de trabajo Exploración inicial de Datos
  • 30. Preparar los datos Exploración de datos Visualización Limpieza de datos Preparación de Datos Normalización Transformación Validación Caracterización
  • 31. Entrenar el modelo Calificación Anterior (A-F) Horas de Estudio ¿Aprobó? B 5 Y D 2 N A 20 Y Características Etiqueta / Target F(CalificacionAnterior, HorasEstudio) = Aprobacion Modelo Entrenamiento del modelo Afinación de Hiper-parámetros Selección del algoritmo Prueba del modelo
  • 32. Ejemplo #1: Reconocimiento de dígitos escritos a mano • Datos de entrada • Imagen en escala de grises • Datos de salida • Dígitos 0, 1, ..., 9 • Ejemplos de entrenamiento • Ejemplos de prueba 32
  • 36. Ejemplo #2: Clasificación de sentimientos • Datos de entrada • Reseña de la película • Datos de salida • Datos de entrenamiento • Datos de prueba 36 / <start> this film was just brilliant casting location scenery story direction everyone's really suited the part they played and you could just imagine being there Robert redford's is an amazing actor and now the same being director norman's father came from the same scottish island as myself so i loved the fact there was a real connection with this film the witty remarks throughout the film were great it was just brilliant so much that i bought the film as soon as it 
  • 37. Probabilidad e IA Ningún modelo es perfecto. La probabilidad indica cuán correcta cree el modelo que es una respuesta. Todos los modelos representan un "universo cerrado" Siempre hay cierto nivel de incertidumbre Mejora de la precisión
  • 38. Cuestiones • Muchos proyectos de machine learning/IA fallan (Gartner asegura que el 85 %) • Ética, por ejemplo, Amazon tiene/ha tenido empleados por debajo de la media despedidos por una IA automáticamente 38
  • 39. Razones para el fracaso • Hacer la pregunta equivocada • Tratar de resolver el problema equivocado • No tener suficientes datos • No tener los datos correctos • Tener demasiados datos • Contratar a las personas equivocadas • Usar las herramientas incorrectas • No tener el modelo correcto • No tener el criterio adecuado 39
  • 40. Un ejemplo • InspiroBot (http://inspirobot.me/) • "I am an artificial intelligence dedicated to generating unlimited amounts of unique inspirational quotes for endless enrichment of pointless human existence". 40
  • 41. Ciencia de Datos • 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: Azure Machine Learning Service
  • 42. Machine Learning on Azure Modelos específicos del dominio preentrenados Para reducir el tiempo de comercialización Azure Databricks Machine Learning VMs Frameworks populares Para crear soluciones de machine learning y deep learning TensorFlow PyTorch ONNX Azure Machine Learning Language Speech … Search Vision Servicios Productivos Para los equipos de desarrollo y ciencia de datos Hardware potente Para acelerar deep learning Scikit-Learn PyCharm Jupyter Herramientas familiares de ciencia de datos Para simplificar el desarrollo de modelos Visual Studio Code Command line CPU GPU FPGA De la nube inteligente al perímetro inteligente
  • 47. • 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 Más información

Notas del editor

  1. La capacidad de una computadora para realizar tareas comúnmente asociadas con seres inteligentes (razonar, descubrir significado, generalizar, aprender de experiencias pasadas).​ ​ Normalmente comienza como un sistema basado en reglas o lógica.​ ​ Las técnicas tradicionales de IA pueden ser difíciles de escalar.​
  2. You can compare artificial intelligence to how we as humans work: We take in some form of sensory input. This could be something we see, hear, or otherwise. We have a model in the form of our brain. It runs this input through its set of learnings from past experiences, and emits… A behavior or response. This could be to ignore it, to laugh at a joke, to smile at a cute dog, or to take our hands off a hot stove. If we think about how we as humans process information, it’s not that different from AI. We take input from the world – sights, sounds, information. We process that through our “model” – our brain – which has been trained by both nature and nurture. We then respond to that input in what would be termed behavior.
  3. Machine learning is a subfield of Artificial Intelligence. Technically, machine learning is a method of data analysis that automates analytical model building. But we can think of it as a technique to train artificially intelligent systems without needing to be specifically programmed. 
  4. We feed our computer data. Our computer uses the model we’ve built, and then provides us answers. We provide data through the use of a program, an image, user input, or other means The scary robot uses its model to analyze the data and… Responds with an answer
  5. Let’s explore how we might begin to build out a model to answer questions. We start with a specific question – is a cell diseased? We have a collection of cells We mark these cells as diseased (red) or healthy) green We then use different algorithms which can learn and understand patterns to help identify if a cell is diseased or healthy to train up our model Now we get a new set of cells the model hasn’t seen before The model then identifies which cells are healthy or diseased If we look at the reality of the cells And then the output we are going to notice things aren’t always perfect We always need to adjust and understand that artificial intelligence will not give us perfection, but will provide the correct result a useful percentage of the time
  6. The five classic questions you can answer with traditional ML Classification: Assign a category to each item or data point. This might be to identify our healthy or diseased cells, the breed of a dog, or the type of food. Regression: Predict a real value for new data given trends in tagged example, typically a number.  We can use regression to predict sea level rise, the chances of a forest fire, or how many people will be born in a given year. Anomaly: Identify when something unexpected happens. – Is this weird?  This can help detect potential security risks or malware, or potentially cancerous cells Reinforcement Learning: Take some appropriate action or next step. This is quite commonly what people think about when they envision AI – a computer beating a human at chess, being able to navigate a maze, or solve a puzzle. Clustering/Recommenders: Get to the structure or layout of data. This is the rather famous “Customers who purchased this product also purchased this other product” style of recommender. Unlike classification, this is used when the groups aren’t known in advance.
  7. So what’s the practical difference? These terms are often used interchangeably, but it's important to be clear on what these terms mean.  AI is the overall field of creating intelligent systems. ML is a sub-field of AI where you can use data to train a model.  For our workshop, we will be focusing on AI, and one specific aspect – image classificiation.
  8. 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. 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.
  9. El objetivo con Regresión Lineal Simple es minimizar la distancia vertical entre todos los datos y nuestra línea. Una forma en que el modelo de regresión encuentre la mejor línea de ajustes es utilizando el criterio de mínimos cuadrados para reducir el error. El error es una parte inevitable del proceso de predicción, no importa cuán poderoso sea el algoritmo que elijamos, siempre habrá un error. Sabemos que no podemos eliminar por completo el error, pero aún podemos intentar reducirlo al nivel más bajo. La técnica de mínimos cuadrado intenta reducir la suma de la diferencia de los errores al cuadrado, buscando el mejor valor posible de los coeficientes de regresión. Los mínimos cuadrados no es la única técnica para usar en Regresión Lineal pero se selecciona debido: Utiliza un error cuadrado que tiene buenas propiedades matemáticas, por lo que es más fácil diferencias y calcular el descenso del gradiente. Es fácil de analizar y computacionalmente más rápido, es decir, puede aplicarse rápidamente a conjuntos de datos que tienen miles de características.
  10. Fuente de datos Base de datos Archivos Pipeline Transmisión Lote Entorno de trabajo On-premises Nube Análisis exploratorio de datos Visualización Limpiar Validación
  11. Exploración de datos Distribución de los datos ¿Cuáles son los rangos (edad?) Limpieza de datos Quitar valores nulos Visualización Intente identificar patrones en sus datos
  12. El entrenamiento de un modelo consiste en proporcionar ejemplos de datos a un algoritmo que aprende las asignaciones de las entradas a las salidas. Es como una función que mantiene un estado interno. Luego, puede reutilizar este modelo para hacer predicciones sobre nuevos datos.
  13. 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)
  14. 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.
  15. 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
  16. All models are a "closed universe". This means it only knows what it's been trained on, and will **always** attempt to match an image to the tags it knows. This is why you might upload an image without a picture of a dog, but still have a result indicating a particular breed. There is always some level of uncertainty. Just as we humans aren't always certain about different things, the model is the same. The level of uncertainty will depend on what you're trying to create, but 80% and above is a good general rule of thumb for having a useful model. To improve the accuracy add more images and increase the diversity. This includes different backgrounds, lighting, angles, resolutions, etc.
  17. https://www.kdnuggets.com/2018/07/why-machine-learning-project-fail.html
  18. 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.
  19. Distinguish between prebuilt and custom ai.
  20. 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.
  21. 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