Merlin es un proyecto de aprendizaje en ASPgems en el que un equipo pequeño durante tres semanas tiene como objetivo que el resto de compañeros de la empresa aprendan sobre alguna tecnología. Durantes tres semanas aprenden y al finalizar se comparte en una charla.
En nuestras tres semana aprendimos Python, Machine Learning, xAPI, MongoDB y lo aplicamos a un proyecto de elearning implementando varios modelos: series temporales de participación, clustering de tipos de estudiantes, predicción de abandono de cursos.
Este documento proporciona información sobre un bootcamp de ciencia de datos e inteligencia artificial ofrecido por U Plan. El bootcamp dura 7 meses y cubre temas como análisis de datos, aprendizaje automático, aprendizaje profundo y procesamiento de lenguaje natural. Los estudiantes aprenderán habilidades prácticas a través de proyectos y tendrán acceso a herramientas y apoyo de coaches. El bootcamp les ayudará a los estudiantes a conseguir trabajos bien remunerados en el campo de la ciencia de datos
Este documento presenta una introducción a machine learning para desarrolladores. Explica brevemente conceptos clave como inteligencia artificial, aprendizaje supervisado, no supervisado y por refuerzo. Luego describe el workflow típico de un modelo predictivo, incluyendo entrenamiento, prueba e implementación. Finalmente, introduce Azure Machine Learning Studio como una plataforma para crear, probar y publicar soluciones de machine learning como servicios web.
El Aprendizaje Automático (AA), conocido en inglés como Machine Learning, es una rama de la Inteligencia Artificial en la cual su principal objetivo es desarrollar técnicas que permitan a las computadoras aprender, es decir, se considera como un proceso de inducción del conocimiento. Dentro de las aplicaciones de aprendizaje automático están diversas aplicaciones de negocio como motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla entre otros. En esta sesión presentaremos alguno de los conceptos fundamentales del AA y mostraremos cómo crear este tipo de soluciones usando Azure Machine Learning, el nuevo servicio de Azure completamente administrado en la nube y que puede ser integrado en nuestras aplicaciones tradicionales de negocio.
El documento introduce el machine learning, explicando que puede desarrollar sistemas demasiado difíciles de construir manualmente, permitir la personalización y el descubrimiento de conocimientos en grandes datos. Describe los dos tipos principales de machine learning - supervisado y no supervisado - y los pasos para diseñar un sistema de aprendizaje, incluyendo elegir datos, función objetivo y algoritmo de aprendizaje.
Machine Learning en Inversiones 20210414Gerard Alba
El documento describe la aplicación del machine learning a las inversiones financieras. Explica las librerías y entornos de programación en Python utilizados para el machine learning, incluyendo métodos de aprendizaje supervisado y no supervisado. Luego presenta tres casos prácticos de aplicación del machine learning: la predicción del riesgo de impago de empresas, la optimización de carteras multiactivo, y la selección de inversiones mediante regresión.
Este documento presenta una serie de ejercicios relacionados con la metodología Seis Sigma para ser resueltos. Los ejercicios incluyen investigar compañías pioneras en Seis Sigma, definir roles clave, desarrollar matrices QFD y AMEF, analizar procesos usando herramientas como SIPOC y diagrama de causas raíces, y finalmente desarrollar un proyecto Seis Sigma completo usando diversas herramientas.
Presentation for the bachelor thesis project at Universidad de los Andes 2020-10.
This thesis studies the use parallel programming techniques to speed-up the decomposition phase of the constraint solving problem. The technique is integrated with the Oscar-CP solver, and explores the exam assignment problem
Agile university day - Un día en un equipo ágil de desarrollo móvilagilenavarra
Este documento describe las prácticas ágiles utilizadas por un equipo de desarrollo móvil, incluyendo el uso de Scrum, iteraciones de una semana, reuniones diarias, demostraciones y retrospectivas semanales. También discute el uso de herramientas como JIRA y control de versiones git, así como técnicas de desarrollo como testeo dirigido por pruebas y principios de diseño de software.
Este documento proporciona información sobre un bootcamp de ciencia de datos e inteligencia artificial ofrecido por U Plan. El bootcamp dura 7 meses y cubre temas como análisis de datos, aprendizaje automático, aprendizaje profundo y procesamiento de lenguaje natural. Los estudiantes aprenderán habilidades prácticas a través de proyectos y tendrán acceso a herramientas y apoyo de coaches. El bootcamp les ayudará a los estudiantes a conseguir trabajos bien remunerados en el campo de la ciencia de datos
Este documento presenta una introducción a machine learning para desarrolladores. Explica brevemente conceptos clave como inteligencia artificial, aprendizaje supervisado, no supervisado y por refuerzo. Luego describe el workflow típico de un modelo predictivo, incluyendo entrenamiento, prueba e implementación. Finalmente, introduce Azure Machine Learning Studio como una plataforma para crear, probar y publicar soluciones de machine learning como servicios web.
El Aprendizaje Automático (AA), conocido en inglés como Machine Learning, es una rama de la Inteligencia Artificial en la cual su principal objetivo es desarrollar técnicas que permitan a las computadoras aprender, es decir, se considera como un proceso de inducción del conocimiento. Dentro de las aplicaciones de aprendizaje automático están diversas aplicaciones de negocio como motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla entre otros. En esta sesión presentaremos alguno de los conceptos fundamentales del AA y mostraremos cómo crear este tipo de soluciones usando Azure Machine Learning, el nuevo servicio de Azure completamente administrado en la nube y que puede ser integrado en nuestras aplicaciones tradicionales de negocio.
El documento introduce el machine learning, explicando que puede desarrollar sistemas demasiado difíciles de construir manualmente, permitir la personalización y el descubrimiento de conocimientos en grandes datos. Describe los dos tipos principales de machine learning - supervisado y no supervisado - y los pasos para diseñar un sistema de aprendizaje, incluyendo elegir datos, función objetivo y algoritmo de aprendizaje.
Machine Learning en Inversiones 20210414Gerard Alba
El documento describe la aplicación del machine learning a las inversiones financieras. Explica las librerías y entornos de programación en Python utilizados para el machine learning, incluyendo métodos de aprendizaje supervisado y no supervisado. Luego presenta tres casos prácticos de aplicación del machine learning: la predicción del riesgo de impago de empresas, la optimización de carteras multiactivo, y la selección de inversiones mediante regresión.
Este documento presenta una serie de ejercicios relacionados con la metodología Seis Sigma para ser resueltos. Los ejercicios incluyen investigar compañías pioneras en Seis Sigma, definir roles clave, desarrollar matrices QFD y AMEF, analizar procesos usando herramientas como SIPOC y diagrama de causas raíces, y finalmente desarrollar un proyecto Seis Sigma completo usando diversas herramientas.
Presentation for the bachelor thesis project at Universidad de los Andes 2020-10.
This thesis studies the use parallel programming techniques to speed-up the decomposition phase of the constraint solving problem. The technique is integrated with the Oscar-CP solver, and explores the exam assignment problem
Agile university day - Un día en un equipo ágil de desarrollo móvilagilenavarra
Este documento describe las prácticas ágiles utilizadas por un equipo de desarrollo móvil, incluyendo el uso de Scrum, iteraciones de una semana, reuniones diarias, demostraciones y retrospectivas semanales. También discute el uso de herramientas como JIRA y control de versiones git, así como técnicas de desarrollo como testeo dirigido por pruebas y principios de diseño de software.
El documento presenta una serie de ejercicios relacionados con herramientas de calidad como Seis Sigma, DMAIC y QFD. Se pide investigar conceptos como el Premio Malcom Baldrige, el Instituto de Investigación Seis Sigma y las herramientas de Seis Sigma. También se solicita desarrollar diagramas Ishikawa, SIPOC, AMEF y QFD para diferentes procesos, así como realizar análisis estadísticos en Minitab. Finalmente, se pide elaborar un proyecto Seis Sigma completo aplicando las herram
El documento presenta diferentes técnicas de calidad para la planificación, control y mejora de la calidad, como QFD, AMFE, cartas de control e índices de capacidad. También describe los modelos PDCA y DMAIC para la resolución de problemas de calidad y las 7 herramientas básicas (Q7) e 7 nuevas herramientas (M7) para el análisis y mejora. Finalmente, ofrece ejemplos del uso de las herramientas Q7.
Este documento presenta una serie de ejercicios relacionados con la metodología Seis Sigma para ser desarrollados por estudiantes. Los ejercicios incluyen investigar compañías pioneras en Seis Sigma, definir roles clave, desarrollar matrices QFD y AMEF, analizar procesos mediante SIPOC y diagrama de causas raíz, y seleccionar un proyecto real de Seis Sigma para aplicar herramientas DMAIC como QFD, AMEF y análisis causa-efecto. El objetivo final es
Este documento proporciona información sobre servicios de asesoría y resolución de ejercicios relacionados con ciencias, incluyendo Seis Sigma. Se ofrecen cotizaciones a través de correo electrónico y sitio web para apoyar a estudiantes con ejercicios. También incluye instrucciones para que los estudiantes realicen investigaciones y desarrollen resúmenes, ensayos, diagramas y análisis utilizando herramientas de Seis Sigma con respecto a temas como calidad, manufactura, estadística
Este documento proporciona información sobre servicios de asesoría y resolución de ejercicios relacionados con ciencias, incluyendo Seis Sigma. Se ofrecen cotizaciones a través de correo electrónico y sitio web para apoyar a estudiantes con ejercicios. También incluye instrucciones para que los estudiantes realicen investigaciones y desarrollen resúmenes, ensayos, diagramas y análisis utilizando herramientas de Seis Sigma con respecto a temas como calidad, manufactura, estadística
El documento presenta una introducción al análisis y diseño de software. Explica que el análisis determina qué funcionalidades desea el usuario, mientras que el diseño determina cómo se implementarán a través de elementos de software como clases y métodos. También describe técnicas como las tarjetas CRC para identificar clases durante el diseño descendente, y la refactorización para mejorar el diseño existente de forma ascendente.
Este documento presenta 13 ejercicios relacionados con la metodología Seis Sigma para ser resueltos por estudiantes. Los ejercicios incluyen investigar compañías pioneras en Seis Sigma, realizar reportes sobre Control Estadístico de Procesos y TQM, resumir los roles de diferentes protagonistas en Seis Sigma como Champion y Belts, calcular EVA, desarrollar matrices QFD, AMEF y SIPOC, y analizar datos y procesos usando herramientas de Seis Sigma como diagrama de 5 porqués, lluv
Seminarios de Analítica Predictiva con Rapid MinerLPI ONG
Este documento presenta una serie de seminarios sobre análisis predictivo utilizando la herramienta Rapid Miner. Describe seminarios sobre pronóstico de series de tiempo, gestión de precios y promociones, análisis de redes sociales y clasificación de grafos, análisis de la cesta de mercado y segmentación de clientes. Para cada seminario, se detalla el objetivo, contenido, duración, herramientas, ejercicios y requisitos previos con el fin de ofrecer capacitación práctica en técnicas de min
Este sílabo describe una unidad didáctica de Análisis y Diseño de Sistemas. La unidad tiene como objetivo que los estudiantes aprendan a realizar el estudio de factibilidad y diseñar la arquitectura de software y determinar los requerimientos de un sistema de información. La unidad consta de 16 semanas que incluyen actividades de aprendizaje, contenidos y evaluaciones para desarrollar las capacidades de análisis y diseño de sistemas.
Este documento presenta una serie de ejercicios relacionados con la metodología Seis Sigma para ser resueltos. Propone tareas como investigar compañías pioneras en Seis Sigma, definir roles clave, calcular EVA, desarrollar matrices QFD y AMEF, analizar procesos usando herramientas como SIPOC y diagrama de causas raíces, y desarrollar un proyecto Seis Sigma aplicando herramientas DMAIC como análisis de datos y mejora de procesos. El objetivo es que los estudiantes
Este documento describe los pasos para construir un modelo de simulación discreta. Explica que la construcción de un modelo implica identificar las entidades y reglas del sistema, modelar sus interacciones y comportamiento aleatorio, y verificar que el modelo representa válidamente al sistema real. También describe las etapas de formulación del problema, recolección de datos, desarrollo del modelo, verificación, validación, experimentación y análisis de resultados e implantación de los hallazgos.
El documento describe diferentes técnicas de calidad para la planificación, control y mejora de la calidad, como QFD, AMFE, cartas de control e índices de capacidad. También presenta modelos como PDCA, DMAIC y herramientas para la resolución de problemas como las 7 herramientas básicas de Ishikawa y las 7 nuevas herramientas.
Los desafíos de calidad de software que nos trae la IA y los LLMsFederico Toledo
En esta charla, nos sumergiremos en los desafíos emergentes que la inteligencia artificial (IA) y los Large Language Models (LLMs) traen al mundo de la calidad del software y el testing. Exploraremos cómo la integración, uso o diseño de modelos de IA plantean nuevos retos, incluyendo la calidad de datos y detección de sesgos, sumando la complejidad de probar algo no determinístico. Revisaremos algunas propuestas que se están llevando adelante para ajustar nuestras tareas de testing al desarrollo de este tipo de sistemas, incluyendo enfoques de pruebas automatizadas y observabilidad.
Introduccion a Azure Machine Learning.pptxLuis775803
Este documento presenta una introducción a Azure Machine Learning. Explica brevemente conceptos clave de machine learning como clasificación, regresión y clustering. Luego describe las principales características de Azure Machine Learning como marcos populares, servicios productivos, hardware potente y herramientas familiares de ciencia de datos. Finalmente, proporciona enlaces a documentación adicional sobre cómo entrenar y desplegar modelos de clasificación de imágenes en Azure Machine Learning.
Laboratorio práctico: La sazón del científico de datosSoftware Guru
Este taller pretende hacer una conexión entre el arte y la ciencia necesarias para desarrollar un modelo correcto. Nos enfrentaremos a datos agrios y modelos aguados, pero entenderemos el camino para corregir.
The Empowerment educations for all studentsvictor841798
Este documento presenta el temario de una clase de Administración de Operaciones. Incluye 10 unidades que cubren temas como estrategia de operaciones, diseño de productos y procesos de manufactura, planeación de capacidades, producción Justo a Tiempo, administración de la cadena de suministro e inventarios. También incluye presentaciones sobre la clase, creación de equipos, evaluación y dinámicas como el Challenge y Emprende, donde los estudiantes aplicarán los conocimientos.
El documento trata sobre el diseño de proyectos. Explica las técnicas para la identificación de proyectos como el análisis de involucrados, problemas, objetivos y alternativas. También describe la secuencia de planificación de proyectos y el marco lógico, incluyendo la jerarquía de objetivos, indicadores, medios de verificación, supuestos y factores externos. El objetivo final es proporcionar una guía para el diseño efectivo de proyectos.
Data Day - Perdiendo dinero con analyticsSoftware Guru
El documento discute los desafíos y pérdidas financieras que pueden surgir de proyectos analíticos defectuosos. Algunas causas comunes incluyen plataformas analíticas inadecuadas que provocan lock-in, analistas con capacitación insuficiente y definiciones imprecisas de negocios que no aprovechan los resultados del análisis. Para abordar estos problemas, el documento recomienda prototipos, mediciones incrementales de resultados y más inversión en capacitación del personal.
Communicating to Connect. The Art of Effective CommunicationRaúl Bordallo
This talk will be based on real events, mainly from the last three years working in a team of 14 people, with diverse roles and English-speaking clients.
Communication, often underestimated, can be the bridge between a project with obstacles and a smooth project. In this talk, we will delve into the world of communication, covering both its theoretical underpinnings and its practical applications in different real-life project scenarios.
We will examine the importance of effective communication with clients, how to foster a positive working environment, conversations in different media: videoconferencing, chat, email, in person, etc., clarity when describing tasks, and the relevance of comments in code.
Through examples and reflections, we will invite attendees to consider new perspectives and tools that could improve communication in their projects. This talk is not intended to be a magic bullet, but to provide a space for sharing and learning from experiences.
Inteligencia Artificial - Casos de uso y Debate - EDD19Raúl Bordallo
Queremos compartir casos de uso de Inteligencia Artificial y abrir un debate sobre el futuro. Para ello la charla tendrás dos partes. En la primera, a modo de instrucción y para dar a conocer proyectos hechos desde Extremadura, contaremos varios casos de uso. En la segunda proponemos un debate abierto a todos los asistentes, para que podamos hablar de modo distendido sobre aspectos relacionados con la IA, como por ejemplo la Ética.
Presentado y moderado por Raúl Bordallo – CoOrganizador de EDD
Casos de uso
Radiometrics: sistema automatizado de la medición del uso de música en programas de radio
Roberto Rodriguez Echeverria – Homeria Open Solutions
Aprendizaje Profundo Para la Detección de Fraude en Documentos de Identidad
Álvaro Hernández Martín – Mobbeel
Sistema de monitorización inteligente de cultivos
Marcos Fernández Sellers – Grupo Quercus UEX
Inteligencia Artificial – Estado del arte e impacto en el futuro del trabajo
José Luis Calvo – Sngular
Machine Learning Educativo, sí, también es posible en Extremadura
Raúl Micharet Arcos – Ayesa
YourPantry: Mobile machine learning for dietary monitoring
Enrique Moguel – Grupo Quercus UEX
Debate Inteligencia Artificial
Haremos una introducción con preguntas a los ponentes para lanzar el debate. La intención de este debate es que todas las personas que asistan puedan participar aportando su opinión y lanzando preguntas. Compartir conocimiento y debatir sobre aspectos relacionados con la Inteligencia Artificial.
Más contenido relacionado
Similar a Aprendiendo Machine learning - Aplicado a xAPI, elearning
El documento presenta una serie de ejercicios relacionados con herramientas de calidad como Seis Sigma, DMAIC y QFD. Se pide investigar conceptos como el Premio Malcom Baldrige, el Instituto de Investigación Seis Sigma y las herramientas de Seis Sigma. También se solicita desarrollar diagramas Ishikawa, SIPOC, AMEF y QFD para diferentes procesos, así como realizar análisis estadísticos en Minitab. Finalmente, se pide elaborar un proyecto Seis Sigma completo aplicando las herram
El documento presenta diferentes técnicas de calidad para la planificación, control y mejora de la calidad, como QFD, AMFE, cartas de control e índices de capacidad. También describe los modelos PDCA y DMAIC para la resolución de problemas de calidad y las 7 herramientas básicas (Q7) e 7 nuevas herramientas (M7) para el análisis y mejora. Finalmente, ofrece ejemplos del uso de las herramientas Q7.
Este documento presenta una serie de ejercicios relacionados con la metodología Seis Sigma para ser desarrollados por estudiantes. Los ejercicios incluyen investigar compañías pioneras en Seis Sigma, definir roles clave, desarrollar matrices QFD y AMEF, analizar procesos mediante SIPOC y diagrama de causas raíz, y seleccionar un proyecto real de Seis Sigma para aplicar herramientas DMAIC como QFD, AMEF y análisis causa-efecto. El objetivo final es
Este documento proporciona información sobre servicios de asesoría y resolución de ejercicios relacionados con ciencias, incluyendo Seis Sigma. Se ofrecen cotizaciones a través de correo electrónico y sitio web para apoyar a estudiantes con ejercicios. También incluye instrucciones para que los estudiantes realicen investigaciones y desarrollen resúmenes, ensayos, diagramas y análisis utilizando herramientas de Seis Sigma con respecto a temas como calidad, manufactura, estadística
Este documento proporciona información sobre servicios de asesoría y resolución de ejercicios relacionados con ciencias, incluyendo Seis Sigma. Se ofrecen cotizaciones a través de correo electrónico y sitio web para apoyar a estudiantes con ejercicios. También incluye instrucciones para que los estudiantes realicen investigaciones y desarrollen resúmenes, ensayos, diagramas y análisis utilizando herramientas de Seis Sigma con respecto a temas como calidad, manufactura, estadística
El documento presenta una introducción al análisis y diseño de software. Explica que el análisis determina qué funcionalidades desea el usuario, mientras que el diseño determina cómo se implementarán a través de elementos de software como clases y métodos. También describe técnicas como las tarjetas CRC para identificar clases durante el diseño descendente, y la refactorización para mejorar el diseño existente de forma ascendente.
Este documento presenta 13 ejercicios relacionados con la metodología Seis Sigma para ser resueltos por estudiantes. Los ejercicios incluyen investigar compañías pioneras en Seis Sigma, realizar reportes sobre Control Estadístico de Procesos y TQM, resumir los roles de diferentes protagonistas en Seis Sigma como Champion y Belts, calcular EVA, desarrollar matrices QFD, AMEF y SIPOC, y analizar datos y procesos usando herramientas de Seis Sigma como diagrama de 5 porqués, lluv
Seminarios de Analítica Predictiva con Rapid MinerLPI ONG
Este documento presenta una serie de seminarios sobre análisis predictivo utilizando la herramienta Rapid Miner. Describe seminarios sobre pronóstico de series de tiempo, gestión de precios y promociones, análisis de redes sociales y clasificación de grafos, análisis de la cesta de mercado y segmentación de clientes. Para cada seminario, se detalla el objetivo, contenido, duración, herramientas, ejercicios y requisitos previos con el fin de ofrecer capacitación práctica en técnicas de min
Este sílabo describe una unidad didáctica de Análisis y Diseño de Sistemas. La unidad tiene como objetivo que los estudiantes aprendan a realizar el estudio de factibilidad y diseñar la arquitectura de software y determinar los requerimientos de un sistema de información. La unidad consta de 16 semanas que incluyen actividades de aprendizaje, contenidos y evaluaciones para desarrollar las capacidades de análisis y diseño de sistemas.
Este documento presenta una serie de ejercicios relacionados con la metodología Seis Sigma para ser resueltos. Propone tareas como investigar compañías pioneras en Seis Sigma, definir roles clave, calcular EVA, desarrollar matrices QFD y AMEF, analizar procesos usando herramientas como SIPOC y diagrama de causas raíces, y desarrollar un proyecto Seis Sigma aplicando herramientas DMAIC como análisis de datos y mejora de procesos. El objetivo es que los estudiantes
Este documento describe los pasos para construir un modelo de simulación discreta. Explica que la construcción de un modelo implica identificar las entidades y reglas del sistema, modelar sus interacciones y comportamiento aleatorio, y verificar que el modelo representa válidamente al sistema real. También describe las etapas de formulación del problema, recolección de datos, desarrollo del modelo, verificación, validación, experimentación y análisis de resultados e implantación de los hallazgos.
El documento describe diferentes técnicas de calidad para la planificación, control y mejora de la calidad, como QFD, AMFE, cartas de control e índices de capacidad. También presenta modelos como PDCA, DMAIC y herramientas para la resolución de problemas como las 7 herramientas básicas de Ishikawa y las 7 nuevas herramientas.
Los desafíos de calidad de software que nos trae la IA y los LLMsFederico Toledo
En esta charla, nos sumergiremos en los desafíos emergentes que la inteligencia artificial (IA) y los Large Language Models (LLMs) traen al mundo de la calidad del software y el testing. Exploraremos cómo la integración, uso o diseño de modelos de IA plantean nuevos retos, incluyendo la calidad de datos y detección de sesgos, sumando la complejidad de probar algo no determinístico. Revisaremos algunas propuestas que se están llevando adelante para ajustar nuestras tareas de testing al desarrollo de este tipo de sistemas, incluyendo enfoques de pruebas automatizadas y observabilidad.
Introduccion a Azure Machine Learning.pptxLuis775803
Este documento presenta una introducción a Azure Machine Learning. Explica brevemente conceptos clave de machine learning como clasificación, regresión y clustering. Luego describe las principales características de Azure Machine Learning como marcos populares, servicios productivos, hardware potente y herramientas familiares de ciencia de datos. Finalmente, proporciona enlaces a documentación adicional sobre cómo entrenar y desplegar modelos de clasificación de imágenes en Azure Machine Learning.
Laboratorio práctico: La sazón del científico de datosSoftware Guru
Este taller pretende hacer una conexión entre el arte y la ciencia necesarias para desarrollar un modelo correcto. Nos enfrentaremos a datos agrios y modelos aguados, pero entenderemos el camino para corregir.
The Empowerment educations for all studentsvictor841798
Este documento presenta el temario de una clase de Administración de Operaciones. Incluye 10 unidades que cubren temas como estrategia de operaciones, diseño de productos y procesos de manufactura, planeación de capacidades, producción Justo a Tiempo, administración de la cadena de suministro e inventarios. También incluye presentaciones sobre la clase, creación de equipos, evaluación y dinámicas como el Challenge y Emprende, donde los estudiantes aplicarán los conocimientos.
El documento trata sobre el diseño de proyectos. Explica las técnicas para la identificación de proyectos como el análisis de involucrados, problemas, objetivos y alternativas. También describe la secuencia de planificación de proyectos y el marco lógico, incluyendo la jerarquía de objetivos, indicadores, medios de verificación, supuestos y factores externos. El objetivo final es proporcionar una guía para el diseño efectivo de proyectos.
Data Day - Perdiendo dinero con analyticsSoftware Guru
El documento discute los desafíos y pérdidas financieras que pueden surgir de proyectos analíticos defectuosos. Algunas causas comunes incluyen plataformas analíticas inadecuadas que provocan lock-in, analistas con capacitación insuficiente y definiciones imprecisas de negocios que no aprovechan los resultados del análisis. Para abordar estos problemas, el documento recomienda prototipos, mediciones incrementales de resultados y más inversión en capacitación del personal.
Communicating to Connect. The Art of Effective CommunicationRaúl Bordallo
This talk will be based on real events, mainly from the last three years working in a team of 14 people, with diverse roles and English-speaking clients.
Communication, often underestimated, can be the bridge between a project with obstacles and a smooth project. In this talk, we will delve into the world of communication, covering both its theoretical underpinnings and its practical applications in different real-life project scenarios.
We will examine the importance of effective communication with clients, how to foster a positive working environment, conversations in different media: videoconferencing, chat, email, in person, etc., clarity when describing tasks, and the relevance of comments in code.
Through examples and reflections, we will invite attendees to consider new perspectives and tools that could improve communication in their projects. This talk is not intended to be a magic bullet, but to provide a space for sharing and learning from experiences.
Inteligencia Artificial - Casos de uso y Debate - EDD19Raúl Bordallo
Queremos compartir casos de uso de Inteligencia Artificial y abrir un debate sobre el futuro. Para ello la charla tendrás dos partes. En la primera, a modo de instrucción y para dar a conocer proyectos hechos desde Extremadura, contaremos varios casos de uso. En la segunda proponemos un debate abierto a todos los asistentes, para que podamos hablar de modo distendido sobre aspectos relacionados con la IA, como por ejemplo la Ética.
Presentado y moderado por Raúl Bordallo – CoOrganizador de EDD
Casos de uso
Radiometrics: sistema automatizado de la medición del uso de música en programas de radio
Roberto Rodriguez Echeverria – Homeria Open Solutions
Aprendizaje Profundo Para la Detección de Fraude en Documentos de Identidad
Álvaro Hernández Martín – Mobbeel
Sistema de monitorización inteligente de cultivos
Marcos Fernández Sellers – Grupo Quercus UEX
Inteligencia Artificial – Estado del arte e impacto en el futuro del trabajo
José Luis Calvo – Sngular
Machine Learning Educativo, sí, también es posible en Extremadura
Raúl Micharet Arcos – Ayesa
YourPantry: Mobile machine learning for dietary monitoring
Enrique Moguel – Grupo Quercus UEX
Debate Inteligencia Artificial
Haremos una introducción con preguntas a los ponentes para lanzar el debate. La intención de este debate es que todas las personas que asistan puedan participar aportando su opinión y lanzando preguntas. Compartir conocimiento y debatir sobre aspectos relacionados con la Inteligencia Artificial.
Learning happens everywhere: Learner - Tools - Activity providers.
We collect experiences - xAPI Statement
We store our experiences in the LRS (Learning Record Store)
We can integrate with Dashboard and visualization tools, Machine Learning, Business Intelligence.
Este documento presenta la agenda para un evento de negocios de Drupal llamado BusinessDay. La agenda incluye presentaciones sobre internacionalización de empresas Drupal y una encuesta, una sesión para conocerse entre los participantes, un almuerzo conjunto, una sesión de trabajo abierto sobre temas propuestos, y una retrospectiva y evaluación al final del día.
xAPI + LRS + Drupal - Midiendo para mejorarRaúl Bordallo
Charla sobre xAPI, LRS y Plataformas sociales de learning. Cambiando el enfoque de los LMS a plataformas sociales. Cómo integrar xAPI y empezar a medir para mejorar la experiencia de aprendizaje de las personas. Algunos toques de como utilizar xAPI e Inteligencia Artificial.
Taller Agile: Jugando con Post-it y GometsRaúl Bordallo
Este documento presenta las actividades de un taller sobre metodologías ágiles. La actividad 1 explica cómo escribir historias de usuario siguiendo las 3Cs e INVEST. La actividad 2 trata sobre estimación de historias usando Planning Poker. La actividad 3 prioriza las historias usando el método MoSCoW. La actividad 4 identifica factores que afectan la productividad. La actividad 5 explora las motivaciones personales.
We have a Bussiness Day where you can talk to other CEO's and CTO's of Spain and the rest of the world. During this camp we are also organizing more activities to promote networking.
Agenda Cultural - Tecnología al servicio de la CulturaRaúl Bordallo
Dos casos de uso de tecnología para difundir y acercar la cultura a todas las personas.
El primero es una App Agenda Cultural, una aplicación para dispositivos móviles y tablets que en forma de agenda ofrece toda la información sobre cultura y ocio de la ciudad de Cáceres.
El segundo un servicio web que ofrece la información sobre eventos culturales en Extremadura, utilizando formatos abiertos las entidades o personas pueden crear contenidos y utilizar los existentes para dotar de contenidos sus propias aplicaciones, páginas web o cualquier otro servicio. Además reutilizando la información geoespacial se pueden crear mapas de rutas y puntos calientes para conocer como nos comportamos al consumir cultura o visitar ciudades.
La inteligencia artificial sigue evolucionando rápidamente, prometiendo transformar múltiples aspectos de la sociedad mientras plantea importantes cuestiones que requieren una cuidadosa consideración y regulación.
KAWARU CONSULTING presenta el projecte amb l'objectiu de permetre als ciutadans realitzar tràmits administratius de manera telemàtica, des de qualsevol lloc i dispositiu, amb seguretat jurídica. Aquesta plataforma redueix els desplaçaments físics i el temps invertit en tràmits, ja que es pot fer tot en línia. A més, proporciona evidències de la correcta realització dels tràmits, garantint-ne la validesa davant d'un jutge si cal. Inicialment concebuda per al Ministeri de Justícia, la plataforma s'ha expandit per adaptar-se a diverses organitzacions i països, oferint una solució flexible i fàcil de desplegar.
Catalogo General Electrodomesticos Teka Distribuidor Oficial Amado Salvador V...AMADO SALVADOR
El catálogo general de electrodomésticos Teka presenta una amplia gama de productos de alta calidad y diseño innovador. Como distribuidor oficial Teka, Amado Salvador ofrece soluciones en electrodomésticos Teka que destacan por su tecnología avanzada y durabilidad. Este catálogo incluye una selección exhaustiva de productos Teka que cumplen con los más altos estándares del mercado, consolidando a Amado Salvador como el distribuidor oficial Teka.
Explora las diversas categorías de electrodomésticos Teka en este catálogo, cada una diseñada para satisfacer las necesidades de cualquier hogar. Amado Salvador, como distribuidor oficial Teka, garantiza que cada producto de Teka se distingue por su excelente calidad y diseño moderno.
Amado Salvador, distribuidor oficial Teka en Valencia. La calidad y el diseño de los electrodomésticos Teka se reflejan en cada página del catálogo, ofreciendo opciones que van desde hornos, placas de cocina, campanas extractoras hasta frigoríficos y lavavajillas. Este catálogo es una herramienta esencial para inspirarse y encontrar electrodomésticos de alta calidad que se adaptan a cualquier proyecto de diseño.
En Amado Salvador somos distribuidor oficial Teka en Valencia y ponemos atu disposición acceso directo a los mejores productos de Teka. Explora este catálogo y encuentra la inspiración y los electrodomésticos necesarios para equipar tu hogar con la garantía y calidad que solo un distribuidor oficial Teka puede ofrecer.
Catalogo general tarifas 2024 Vaillant. Amado Salvador Distribuidor Oficial e...AMADO SALVADOR
Descarga el Catálogo General de Tarifas 2024 de Vaillant, líder en tecnología para calefacción, ventilación y energía solar térmica y fotovoltaica. En Amado Salvador, como distribuidor oficial de Vaillant, te ofrecemos una amplia gama de productos de alta calidad y diseño innovador para tus proyectos de climatización y energía.
Descubre nuestra selección de productos Vaillant, incluyendo bombas de calor altamente eficientes, fancoils de última generación, sistemas de ventilación de alto rendimiento y soluciones de energía solar fotovoltaica y térmica para un rendimiento óptimo y sostenible. El catálogo de Vaillant 2024 presenta una variedad de opciones en calderas de condensación que garantizan eficiencia energética y durabilidad.
Con Vaillant, obtienes más que productos de climatización: control avanzado y conectividad para una gestión inteligente del sistema, acumuladores de agua caliente de gran capacidad y sistemas de aire acondicionado para un confort total. Confía en la fiabilidad de Amado Salvador como distribuidor oficial de Vaillant, y en la resistencia de los productos Vaillant, respaldados por años de experiencia e innovación en el sector.
En Amado Salvador, distribuidor oficial de Vaillant en Valencia, no solo proporcionamos productos de calidad, sino también servicios especializados para profesionales, asegurando que tus proyectos cuenten con el mejor soporte técnico y asesoramiento. Descarga nuestro catálogo y descubre por qué Vaillant es la elección preferida para proyectos de climatización y energía en Amado Salvador.
2. 2
Qué vamos a hacer los próximos 45 minutos
● Repasar que he aprendido en Merlin-xAPI (25 minutos)
● Fran y Diego nos enseñan el código (15 minutos)
● Fernando explicará conceptos estadísticos/matemáticos
● Diego nos cuenta su idea de proyecto (5 minutos)
5. 5
Quiero aprender con vosotros
● Predecir el abandono y que el agente aprenda (refuerzo) qué acciones funcionan mejor.
●
6. 6
¿Qué dijimos haces 3 semanas?
● Nos apasiona esto del ML
● Motivación alta de las personas
● Aprender más sobre ML: Del ciclo hemos aprendido 1, 2, 3, 4 y 5
● Get data desde xAPI + Pruebas con diferentes providers
● Profundizar y aumentar complejidad de objetivos
● No nos gusta dejar las cosas a medias. Seguimos aprendiendo
7. 7
¿Qué he aprendido?
● Python, MongoDB, xAPI
● Conceptos relacionados con Machine Learning
● Ciclo completo de Machine Learning
○ Get Data
○ Clean, Prepare & Manipulate Data
○ Train model
○ Test Data
○ Improve
● Modelo Predicción Temporal
○ Get data: Learning Locker + xAPI (json) + MongoDB
8. 8
¿Qué he aprendido?
Lo que más influye en el ML
● Los Datos.
● Conocer el dominio.
● Limpiar, preparar y manipular los Datos.
80%
● Experiencia:
○ Elegir el modelo.
○ Aprender de lo que hacen los demás.
○ Jugar mucho.
○ Montar casos reales.
Aprendido
● Obtener datos.
● Limpiar, preparar y manipular los Datos.
80%
● Entrenar el modelo
● Validar el modelo
● Predecir
10. 10
Ciclo completo de ML
¡Importante!
Definir un Problema real
Disponer de Datos buenos
11. 11
Conceptos ML
● Aprendizaje supervisado: Conocemos la salida, mediante entrenamiento - Predecir
○ Clasificación: Predecir etiquetas o clases. Ejemplo: Correos Spam.
○ Regresión: Predecir valores. Ejemplo: Número de reservas hotel.
● Aprendizaje no supervisado: Clustering, agrupar datos sin conocimiento previo.
● Aprendizaje por refuerzo: El agente aprende interactuando con el entorno y maximizando
recompensa. (tica-tac-toe) - Detectar personas riesgo abandono y realizar acciones para
evitar abandono. El modelo aprende lo que funciona y cada vez lo hace mejor.
13. 13
Conceptos ML
● Dataset: Conjunto de datos.
● Ejemplo (Registro): Cada uno de los datos de los que se dispone. Fila.
● Feature: Atributos que describen cada instancia. Columna.
● Cantidad de Columnas: Dimensión de los datos.
● Modelo: El aprendizaje automático tiene como resultado un modelo para resolver una
tarea dada.
● Target: Nuestro objetivo.
14. 14
Conceptos ML
● Jupyter: Proyecto para desarrollo interactivo en diferentes lenguajes. http://jupyter.org/
● Jupyter Notebook: Aplicación web que nos permite crear y compartir documentos de
código, ecuaciones, visualizaciones y texto narrativo.
● Numpy: Librería Python para el manejo de arrays multidimensionales y matrices.
● Pandas: Librería Python para manejo de estructuras de datos y herramientas de análisis.
● Matplotlib: Librería para crear gráficas.
● Seaborn: Librería de visualización de datos basada en Matplotlib.
16. 16
Modelo Supervisado Ejemplo Películas
● Nuestro problema: Predicción de Ingresos de películas
● Contexto: Somos una empresa que queremos decidir en qué producciones
cinematográficas invertimos.
● Reconocer el tipo de aprendizaje que necesitamos:
○ Invertir en la producción de películas de calidad.
○ Queremos predecir una métrica: el ingreso mundial generado por una película.
● Aterrizar nuestro problema de aprendizaje supervisado:
○ Los ingresos de una película corresponden a valores continuos.
○ Nuestro éxito será "cómo de cerca estamos de ingresos generados por la película".
○ Utilizaremos bases de datos públicas de internet.
22. 22
Modelo Supervisado Ejemplo Películas
Principios de diseño de Features
● Diseñar tus features es un arte más que una ciencia. Experiencia.
● Features Informativas: Features útiles mayor correlación con variable objetivo.
● Features Independientes: Evitar redundancia, features independientes entre ellas.
● Cantidad de Features controlada: Maldición de la dimensionalidad.
Ejemplo de Feature informativa y Feature no informativa
● Predecir el “precio de una casa” en función de sus “metros cuadrados”.
● Predecir el “precio de una casa” en función de la “temperatura del mar”.
24. 24
Modelo Supervisado Ejemplo Películas
La maldición de la dimensión
¡No nos volvamos locos!
http://ingenierobeta.com/maldicion-de-la-dimensionalidad/
33. 33
Modelo Supervisado Ejemplo Películas
Métodos de evaluación
Por ahora hemos visto que:
● Se necesita separar de forma aleatoria en datos de entrenamiento y testeo
para poder evaluar performance del algoritmo.
● Existen diversas métricas para evaluar rendimiento, y elegimos la nuestra
según las características de nuestro problema.
● Es útil apoyar la evaluación con visualizaciones de errores, como por
ejemplo scatterplots de residuales.
34. 34
Modelo Supervisado Ejemplo Películas
Métodos de evaluación
Controlar la aleatoriedad: train_test_split evaluaciones rápidas, testeos y prototipado.
cross_validate método más robusto para poder estimar el rendimiento del algoritmo.
Selección de modelos
Overfitting o underfitting? Necesitamos los scores de entrenamiento y test.
38. 38
Modelo Supervisado Ejemplo Películas
Optimización de hiperparametros
● Fijar un learning rate alto.
● Fijar parámetros de los árboles.
● Elegir el mejor número de estimadores que conforman el ensemble.
● Optimizar los parámetros de los árboles.
40. 40
Modelo Predicción Series Temporales
● Nuestro problema: Predecir actividad en el Campus.
● Contexto: Somos los gestores del Campus y queremos prever picos y valles de uso del
Campus.
● Reconocer el tipo de aprendizaje que necesitamos:
○ Aumentar el interés y el uso.
○ Queremos predecir días de poco uso para realizar acciones.
● Aterrizar nuestro problema de aprendizaje supervisado:
○ La actividad diaria corresponde a valores continuos.
○ Nuestro éxito será "cómo de cerca estamos de la actividad diaria".
○ Utilizaremos datos xAPI (json) del LRS (MongoDB) del Campus.
64. 64
Mejoras que hemos identificado
● Distintas estacionalidades.
● Separar por Comunidad. ej: China tiene un patrón diferente a España.
● Añadir variables explicativas. ej: clima, curso presencial, festivos, etc.
● Añadir modelos personalizados por persona.
65. 65
El Futuro
● Montar el TrainingPeaks del aprendizaje. (https://www.trainingpeaks.com/)
● NLP (Procesamiento de Lenguaje Natural)
● Predicción de score de contenidos al crearlos.
● Personalización del Aprendizaje.
● Las emociones en el elearning.
● Montar el TrainingPeaks de la Felicidad