Este documento proporciona una introducción a Machine Learning, incluyendo definiciones, tipos de algoritmos, lenguajes de programación utilizados, y herramientas como Azure Machine Learning Studio. Explica conceptos como aprendizaje supervisado y no supervisado, e incluye pasos para crear y desplegar experimentos en Azure ML Studio, como ingestar y explorar datos, y automatizar el proceso de ML mediante Azure Machine Learning Automated Service. Finalmente, cubre la integración de Power BI y Machine Learning a través de scripts R.

1. Machine
Learning
Tendencias y Casos de Exito

2. Speaker:
Nicolás Nakasone
@nicolasnakasone
https://www.linkedin.com/in/nicolas-
nakasone/

3. ¿ Que es
Machine
Learning?
Es una disciplina científica del ámbito de la
Inteligencia Artificial que crea sistemas que
aprenden automáticamente.

4. Algoritmos de
Machine Learning
Classification algorithms
• Decision Trees
• Neural Network
• Naive Bayes
Regression algorithms
• Time Series
• Linear Regression
• Logistic Regression
Segmentation or clustering algorithms
• Clustering
Association algorithms
• Association

5. Aprendizaje Supervisado y
No Supervisado
Supervisado:
 Se entrena al algoritmo
otorgándole las
preguntas, denominadas
características, y las
respuestas, denominadas
etiquetas.
No Supervisado:
 Solo se le otorgan las
características, sin
proporcionarle al
algoritmo ninguna
etiqueta

6. Lenguajes de Machine Learning
1. Python
2. R
3. Java
4. Javascript
5. C
6. C++
7. Julia
8. Scala
9. Lua

7. Azure Machine
Learning Studio
 Microsoft Azure Machine Learning
Studio es una herramienta que permite
crear, probar e implementar soluciones
de análisis predictivos en sus datos.

8. Desarrollando
Experimentos en Azure
Machine Learning Studio
Un experimento consta de conjuntos
de datos que proporcionan datos a
módulos analíticos, que se conectan en
conjunto para construir un modelo de
análisis predictivo.

9. Desplegando
Experimentos en Azure
Machine Learning Studio
 Cuando el modelo de análisis
predictivo esté listo, puede
desplegarlo como servicio web
directamente desde Machine
Learning Studio. Mediante el
servicio web, los usuarios
pueden enviar datos a su
modelo y este lo devolverá las
predicciones.

10. Categorizando
datos predictivos
 Comprender la estructura de datos es
fundamental para generar modelos efectivos de
Machine Learning en producción.

11. Ingesta de datos en
Azure Machine
Learning
 Machine Learning para su uso en producción,
siempre debe revisar las fuentes de datos dentro
de su organización para mapear sus repositorios
de datos organizacionales y planificar su
ingestión.

12. Explorando y
transformando datos
en Azure Machine
Learning
 La exploración inicial de sus
datos es un paso importante
durante el proceso de
desarrollo; la familiaridad con
sus datos es uno de los puntos
de partida clave del proceso
científico de datos.

13. Azure Machine
Automated ML
Service
 Azure Machine Automated ML
Service es un servicio de
Machine Learning disponible
en Azure.
 Ayuda a los data scientists a
automatizar el ciclo de vida del
machine learning
 Entrenamiento y despliegue en
cloud
 Autoescala los recursos
necesarios para entrenamiento
y despliegue

14. Pasos para
crear un
Azure ML
Service
1. Cree un Workspace
2. Cree y entrene un modelo
3. Escoja el mejor modelo
4. Regístrelo en el Workspace
5. Despliegue del modelo en
Azure Container, AKS

15. Integración Machine
Learning + PowerBI
Para integrar PowerBI con Machine Learning usaremos R
Script.
 Requisitos: Instalar R y la librería AzureML
 Pametros R Script con ML: wsid – auth – servicename