Este documento presenta una introducción al aprendizaje profundo y sus aplicaciones. Explica conceptos clave como redes neuronales, aprendizaje automático, aprendizaje profundo y sus diferencias. También describe cómo funcionan los modelos de aprendizaje profundo, incluidas las redes neuronales convolucionales y sus usos comunes en visión por computadora. Además, menciona ejemplos de aplicaciones de aprendizaje profundo en áreas como vehículos autónomos, asistentes de voz y reconocimiento facial, entre otras. Finalmente,
Docker is the world’s leading software container platform. Developers use Docker to eliminate “works on my machine” problems when collaborating on code with co-workers. Operators use Docker to run and manage apps side-by-side in isolated containers to get better compute density. Enterprises use Docker to build agile software delivery pipelines to ship new features faster, more securely and with confidence for both Linux and Windows Server apps.
It is deep journey into the ocean of cloud ready software design, a set of rules that makes a solution scalable and resilient, two core requirements for any cloud based solution.
8 - OpenShift - A look at a container platform: what's in the boxKangaroot
Many already have some familiarity with containers, and maybe even with Kubernetes. But what's the difference between those and a container platform? In this session the goal is to look at OpenShift, Red Hat's container platform based on Kubernetes. We see what it's made out of, what makes it tick, and what the future of OpenShift & Kubernetes holds.
KFServing - Serverless Model InferencingAnimesh Singh
Deep dive into KFServing: Serverless Model Inferencing Platform built on top of KNative and Istio. Part of the Kubeflow project, and deployed in production across organizations.
This deck is about Microservices Architecture and why do we need it, architecture patterns which need to be followed during Microservices development, and about few tricky questions like API Versioning and
Decomposition Recipes
Definition Micro segmentation: Micro segmentation is the process of making network security more flexible by using software defined policies. Learn more at.https://www.fieldengineer.com/blogs/what-is-micro-segmentation/
Docker is the world’s leading software container platform. Developers use Docker to eliminate “works on my machine” problems when collaborating on code with co-workers. Operators use Docker to run and manage apps side-by-side in isolated containers to get better compute density. Enterprises use Docker to build agile software delivery pipelines to ship new features faster, more securely and with confidence for both Linux and Windows Server apps.
It is deep journey into the ocean of cloud ready software design, a set of rules that makes a solution scalable and resilient, two core requirements for any cloud based solution.
8 - OpenShift - A look at a container platform: what's in the boxKangaroot
Many already have some familiarity with containers, and maybe even with Kubernetes. But what's the difference between those and a container platform? In this session the goal is to look at OpenShift, Red Hat's container platform based on Kubernetes. We see what it's made out of, what makes it tick, and what the future of OpenShift & Kubernetes holds.
KFServing - Serverless Model InferencingAnimesh Singh
Deep dive into KFServing: Serverless Model Inferencing Platform built on top of KNative and Istio. Part of the Kubeflow project, and deployed in production across organizations.
This deck is about Microservices Architecture and why do we need it, architecture patterns which need to be followed during Microservices development, and about few tricky questions like API Versioning and
Decomposition Recipes
Definition Micro segmentation: Micro segmentation is the process of making network security more flexible by using software defined policies. Learn more at.https://www.fieldengineer.com/blogs/what-is-micro-segmentation/
Simplifying AI and Machine Learning with Watson StudioDataWorks Summit
Are you seeing benefits from big data, AI and machine learning? Some companies are challenged by the complexity of the tools, access to quality data and the ability to operationalize these technologies. IBM’s Watson Studio addresses the needs of developers, data scientists and business analysts – who need to create, train and deploy machine and deep learning models, analyze and visualize data – all in an easy-to-use platform. Watson Studio supports Apple’s Core ML with Watson Visual Recognition service. It provides a suite of tools for data scientists, application developers and subject matter experts to collaboratively and easily work with data and use that data to build, train and deploy models at scale. When coupled with IBM Watson Knowledge Catalog, it enables companies to create a secure catalog of AI assets including datasets, documents and models. In this session, you will learn how to use these new offerings to solve real world business problems and infuse AI into your business to drive innovation.
Speaker
Sumit Goyal, IBM, Software Engineer
Learn all about microservices from Product Marketing Manager Dan Giordano. We'll cover how to get started, the benefits, potential challenges, and how SmartBear can help.
Turning Virtual Machines Cloud-Native using KubeVirtSuman Chakraborty
The talk was presented at OSCONF 2020 Hyderabad Virtual event, where I have discussed about CNCF sandbox project KubeVirt and its adoption into Cloud-Native ecosystem
A basic introductory slide set on Kubernetes: What does Kubernetes do, what does Kubernetes not do, which terms are used (Containers, Pods, Services, Replica Sets, Deployments, etc...) and how basic interaction with a Kubernetes cluster is done.
This file was recently published to the local community two months back. And now opening to the generic access. The document discusses about high level deployment scenario of VDI solution jointly formed by Microsoft & Citrix. A 700 user-base was assumed and a scalability of 4500 user-base scale-up model was provided using DELL & HP hardware.
In the era of Microservices, Cloud Computing and Serverless architecture, it’s useful to understand Kubernetes and learn how to use it. However, the official Kubernetes documentation can be hard to decipher, especially for newcomers. In this book, I will present a simplified view of Kubernetes and give examples of how to use it for deploying microservices using different cloud providers, including Azure, Amazon, Google Cloud and even IBM.
Virtualization, Containers, Docker and scalable container management servicesabhishek chawla
In this presentation we take you through the concept of virtualization which includes the different types of virtualizations, understanding the Docker as a software containerization platform like Docker's Architecture, Building and running custom images in Docker containers, Scalable container management services which include overview of Amazon ECS & kubernetes and how at LimeTray we harnessed the power of kubernetes for scalable automated deployment of our microservices.
How to test infrastructure code: automated testing for Terraform, Kubernetes,...Yevgeniy Brikman
This talk is a step-by-step, live-coding class on how to write automated tests for infrastructure code, including the code you write for use with tools such as Terraform, Kubernetes, Docker, and Packer. Topics covered include unit tests, integration tests, end-to-end tests, test parallelism, retries, error handling, static analysis, and more.
Kubernetes Application Deployment with Helm - A beginner Guide!Krishna-Kumar
Google DevFest2019 Presentation at Infosys Campus Bangalore. Application deployment in Kubernetes with Helm is demo'ed in Google Kubernetes Engine (GKE). This is an introductory session on Helm. Several references are given in it to further explore helm3 as it is in Beta state now.
Prediciendo el futuro con Azure Machine Learning + aplicación en XamarinSoftware Guru
Sesión presentada en SG Virtual 11a. edición.
Presentada por: Luis Beltran.
En esta sesión te platicaré sobre lo fácil que es utilizar la plataforma en la nube Azure Machine Learning Studio para desarrollar un modelo capaz de predecir el futuro, ya sean tendencias, valores o categorías sobre un conjunto de datos.
Simplifying AI and Machine Learning with Watson StudioDataWorks Summit
Are you seeing benefits from big data, AI and machine learning? Some companies are challenged by the complexity of the tools, access to quality data and the ability to operationalize these technologies. IBM’s Watson Studio addresses the needs of developers, data scientists and business analysts – who need to create, train and deploy machine and deep learning models, analyze and visualize data – all in an easy-to-use platform. Watson Studio supports Apple’s Core ML with Watson Visual Recognition service. It provides a suite of tools for data scientists, application developers and subject matter experts to collaboratively and easily work with data and use that data to build, train and deploy models at scale. When coupled with IBM Watson Knowledge Catalog, it enables companies to create a secure catalog of AI assets including datasets, documents and models. In this session, you will learn how to use these new offerings to solve real world business problems and infuse AI into your business to drive innovation.
Speaker
Sumit Goyal, IBM, Software Engineer
Learn all about microservices from Product Marketing Manager Dan Giordano. We'll cover how to get started, the benefits, potential challenges, and how SmartBear can help.
Turning Virtual Machines Cloud-Native using KubeVirtSuman Chakraborty
The talk was presented at OSCONF 2020 Hyderabad Virtual event, where I have discussed about CNCF sandbox project KubeVirt and its adoption into Cloud-Native ecosystem
A basic introductory slide set on Kubernetes: What does Kubernetes do, what does Kubernetes not do, which terms are used (Containers, Pods, Services, Replica Sets, Deployments, etc...) and how basic interaction with a Kubernetes cluster is done.
This file was recently published to the local community two months back. And now opening to the generic access. The document discusses about high level deployment scenario of VDI solution jointly formed by Microsoft & Citrix. A 700 user-base was assumed and a scalability of 4500 user-base scale-up model was provided using DELL & HP hardware.
In the era of Microservices, Cloud Computing and Serverless architecture, it’s useful to understand Kubernetes and learn how to use it. However, the official Kubernetes documentation can be hard to decipher, especially for newcomers. In this book, I will present a simplified view of Kubernetes and give examples of how to use it for deploying microservices using different cloud providers, including Azure, Amazon, Google Cloud and even IBM.
Virtualization, Containers, Docker and scalable container management servicesabhishek chawla
In this presentation we take you through the concept of virtualization which includes the different types of virtualizations, understanding the Docker as a software containerization platform like Docker's Architecture, Building and running custom images in Docker containers, Scalable container management services which include overview of Amazon ECS & kubernetes and how at LimeTray we harnessed the power of kubernetes for scalable automated deployment of our microservices.
How to test infrastructure code: automated testing for Terraform, Kubernetes,...Yevgeniy Brikman
This talk is a step-by-step, live-coding class on how to write automated tests for infrastructure code, including the code you write for use with tools such as Terraform, Kubernetes, Docker, and Packer. Topics covered include unit tests, integration tests, end-to-end tests, test parallelism, retries, error handling, static analysis, and more.
Kubernetes Application Deployment with Helm - A beginner Guide!Krishna-Kumar
Google DevFest2019 Presentation at Infosys Campus Bangalore. Application deployment in Kubernetes with Helm is demo'ed in Google Kubernetes Engine (GKE). This is an introductory session on Helm. Several references are given in it to further explore helm3 as it is in Beta state now.
Prediciendo el futuro con Azure Machine Learning + aplicación en XamarinSoftware Guru
Sesión presentada en SG Virtual 11a. edición.
Presentada por: Luis Beltran.
En esta sesión te platicaré sobre lo fácil que es utilizar la plataforma en la nube Azure Machine Learning Studio para desarrollar un modelo capaz de predecir el futuro, ya sean tendencias, valores o categorías sobre un conjunto de datos.
Raspberry Pi: Reconocimiento de imágenes con TensorflowPlain Concepts
En esta sesión veremos como podemos utilizar nuestra Raspberry Pi para realizar detección de objetos en imágenes utilizando Tensorflow tanto para el entrenamiento como para la inferencia.. Para ellos realizaremos una demostración en directo donde utilizaremos la cámara de la Raspberry para detectar objetos en una imagen haciendo uso del nuevo paquete de Tensorflow optimizado para este dispositivo
Mostraremos las novedades de Deep Learning para desarrolladores c#. En este caso enseñaremos el paquete NuGet de ML.Scoring para realizar la inferencia de nuestro modelos previamente entrenados para la detección de objetos (YoloV2)
En esta plática hablo sobre lo que es el Machine Learning y cómo puede ayudarnos para resolver problemas de clasificación, predicción y detección de anomalías en función de los datos que tenemos. Además, hablamos de Azure Machine Learning como plataforma para simplificar la creación de experimentos de ML, así como su consumo en una app móvil.
Video de la charla: https://youtu.be/zC-18rxvOpY
Código fuente en GitHub: https://github.com/icebeam7/CalificacionesApp
Trasparencias de la charla Machine Learning for Dummies del grupo Meetup de Azuges @ 22 de Noviembre de 2016
Ponentes: Rodrigo Cabello y Carlos Landeras
En esta presentación haremos una pequeña introducción a Deep Learning. Posteriormente, veremos cómo entrenar y evaluar nuestros modelos haciendo uso del servicio de Azure ML, utilizando Cntk con Python para el entrenamiento y C# para la evaluación del modelo.
Similar a CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf (20)
Real NET Docs Show - Serverless Machine Learning v3.pptxLuis Beltran
Slides of my presentation about Serverless Machine Learning using Azure Functions, Twilio APIs, and Cognitive Services for text and image processing of WhatsApp messages at .NET Docs Show weekly community event organized by Microsoft
Latam Space Week - Clasificación de rocas espaciales por medio de IA.pptxLuis Beltran
Slides of my presentation about Space rocks image classification using Machine Learning and Artificial Intelligence with Python at Latam Space Week event
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...Telefónica
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0xWord escrito por Ibón Reinoso ( https://mypublicinbox.com/IBhone ) con Prólogo de Chema Alonso ( https://mypublicinbox.com/ChemaAlonso ). Puedes comprarlo aquí: https://0xword.com/es/libros/233-big-data-tecnologias-para-arquitecturas-data-centric.html
3Redu: Responsabilidad, Resiliencia y Respetocdraco
¡Hola! Somos 3Redu, conformados por Juan Camilo y Cristian. Entendemos las dificultades que enfrentan muchos estudiantes al tratar de comprender conceptos matemáticos. Nuestro objetivo es brindar una solución inclusiva y accesible para todos.
(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informáticavazquezgarciajesusma
En este proyecto de investigación nos adentraremos en el fascinante mundo de la intersección entre el arte y los medios de comunicación en el campo de la informática.
La rápida evolución de la tecnología ha llevado a una fusión cada vez más estrecha entre el arte y los medios digitales, generando nuevas formas de expresión y comunicación.
Continuando con el desarrollo de nuestro proyecto haremos uso del método inductivo porque organizamos nuestra investigación a la particular a lo general. El diseño metodológico del trabajo es no experimental y transversal ya que no existe manipulación deliberada de las variables ni de la situación, si no que se observa los fundamental y como se dan en su contestó natural para después analizarlos.
El diseño es transversal porque los datos se recolectan en un solo momento y su propósito es describir variables y analizar su interrelación, solo se desea saber la incidencia y el valor de uno o más variables, el diseño será descriptivo porque se requiere establecer relación entre dos o más de estás.
Mediante una encuesta recopilamos la información de este proyecto los alumnos tengan conocimiento de la evolución del arte y los medios de comunicación en la información y su importancia para la institución.
2. Luis Beltrán • Estudiante de Doctorado en Tomás Bata University
in Zlín
• Docente en Tecnológico Nacional de México en
Celaya
• Microsoft MVP en IA y Tecnologías de Desarrollador
luis@luisbeltran.mx
luis.beltran@itcelaya.edu.mx
13. Datos:
Ø El largo del pico del pingüino.
Ø La profundidad del pico del pingüino.
Ø El largo de la aleta del pingüino.
Ø El peso del pingüino.
_x**=[x 1, x 2, x 3, x 4].
Se desea predecir (y) la especie de pingüino:
Ø Adelia (clase 0)
Ø Papúa (clase 1)
Ø Barbijo (clase 2)
Para x=[37.3, 16.8, 19.2, 30.0], y=[1, 0, 0]
14.
15. Prepara tus Datos Construye y Entrena Ejecuta
Consumo del modelo
Usuario final
ML model ML model
Creación del modelo
Datasets
Flujo de Acción
https://archive.ics.uci.edu/ml/datasets.php
16. Modelos
• Machine Learning “Tradicional”
• Support Vector Machines
• Árboles de Decisión
• Random Forest
• …
• Métodos de “Deep” Learning
• Redes neuronales
• Redes neuronales de Convolución (CNN)
• Redes neuronales de Recurrentes (RNN)
• Generative Adversarial Network (GAN)
• …
17. Cálculo de la pérdida
• Supongamos que uno de los ejemplos transmitidos a través del proceso de
entrenamiento contiene las características de un pingüino de Adelia (clase 0).
• La salida correcta de la red sería [1, 0, 0].
• Supongamos que para un dato la red genera la salida [0.4, 0.3, 0.3].
• Si las comparamos, podemos calcular una varianza absoluta para cada elemento (la
distancia entre cada valor previsto y el valor que debería ser) como [0.6, 0.3, 0.3].
• Dado que en la práctica se procesan varias observaciones, generalmente se agrega la
varianza, por ejemplo, elevando cada valor al cuadrado y luego calculando la media
para terminar con un solo valor de pérdida promedio, como 0.18.
19. Herramientas para ML / DL
• Lenguajes de programación
• Python
• R
• C++
• ...
• Librerías / Frameworks
• scikit-learn
• PyTorch
• TensorFlow
• Keras
• …
classic machine learning
deep learning frameworks
20. scikit-learn
• Exporación de datos
• Preprocesamiento de datos
• Limpieza de valores
• Normalización
• Entrenamiento
• Prueba
• Aplicación
• Machine Learning ”clásico"
• https://scikit-learn.org/stable/
20
pip install scikit-learn
21. Keras y Tensorflow
• Keras es una librería de alto nivel que facilita la creación de redes
neuronales (capas)
• En background, el motor que ejecutará la red neuronal y la entrenará
es la implementación de Google llamada Tensorflow.
22. Colaboratory
● Es un documento ejecutable en Google Drive (Python Jupyter Notebook).
● Nos permite programar ejecutar y compartir nuestro código con otras personas.
● Es un documento compuesto por celdas que pueden ser texto enriquecido,
imágenes o código python.
● Permite ejecutar código python en un entorno con CPU’s o GPU’s de forma
gratuita.
● Facilita la visualización de los resultados de forma interactiva y provee de una
galería de snippets de código para nuestras necesidades.
● Nos permite compartir como cualquier documento google drive o hacia github
https://colab.research.google.com/
24. Ejercicio #1 – Entrenamiento de una red
neuronal profunda
https://colab.research.google.com/drive/1lRbgGCmgmDKiCXEuUy_gyQgoAR8otTXb?usp=sharing
25. Redes Neuronales Convolucionales (CNN)
• Si bien puede usar modelos de DL para cualquier tipo de ML, resultan
especialmente útiles para trabajar con datos que constan de grandes
matrices de valores numéricos, como imágenes.
• Los modelos de ML que funcionan con imágenes son la base de una área
de IA conocida como Computer Vision. Además, las técnicas de DL han
impulsado avances asombrosos en esta área durante los últimos años.
• El motivo del éxito del DL en esta área es un tipo de modelo llamado red
neuronal convolucional (CNN)
26. Convolutional Neural Networks
• Las Convolutional Neural Networks son redes multilayered que toman
su inspiración del cortex visual de los animales.
• Esta arquitectura es útil en varias aplicaciones,
principalmente procesamiento de imágenes.
• La primera CNN fue creada por Yann LeCun y estaba enfocada en el
reconocimiento de letras manuscritas.
31. • La arquitectura constaba de varias capas que implementaban la extracción de
características y luego la clasificación.
• La imagen se divide en campos receptivos que alimentan una capa convolutional que
extrae features de la imagen de entrada (Por ejemplo, detectar lineas verticales,
vértices, etc).
• El siguiente paso es pooling que reduce la dimensionalidad de las features
extraídas manteniendo la información más importante.
• Luego se hace una nueva convolución y otro pooling que alimenta una red
feedforward multicapa.
• La salida final de la red es un grupo de nodos que clasifican el resultado, por ejemplo
un nodo para cada número del 0 al 9 (es decir, 10 nodos, se “activan” de a uno).
32. Ejercicio #2 – Entrenamiento de una red
neuronal convolucional
https://drive.google.com/drive/folders/1O0KNYzlTWtEwlv4P1ihj6Rkm79pWmvmf?usp=sharing
https://colab.research.google.com/drive/1rDLjk7_cpmn4PSFG4hgG_dW9cCQ0Gbuu?usp=sharing
35. Deep Q and A: IBM Watson
Watson emergió ganador cuando se enfrentó a los jugadores mejor calificados de
todos los tiempos en la historia de Jeopardy.
Source: IBM Research
36. Aplicaciones
Biología de la Computación
(Aprendizaje de estructuras)
Animación y control
Seguimiento y reconocimiento de actividad
37. Generative AI
Métodos de ML que aprenden
sobre contenido u objetos a
partir de sus datos y los utilizan
para generar artefactos realistas,
completamente nuevos y
originales.
38. Beneficios
• Generación de resultados de mayor calidad.
• Reducir los riesgos asociados a un proyecto.
• Entrenamiento de modelos reforzados de
aprendizaje automático para que sean
menos sesgados.
• Habilitación de la predicción de
profundidad sin sensores.
• Habilitación de la localización y
regionalización de contenido a través de
deepfakes.
• Permitir que los robots comprendan
conceptos más abstractos tanto en
simulación como en el mundo real.
39. Aplicaciones
• Creando código de software
• Facilitar el desarrollo de medicamentos
• Publicidad dirigida
• Protección de identidad
• Procesamiento de imágenes
• Restauración de películas
• Síntesis de audio
• Cuidado de la salud
Para 2025, Gartner espera que la IA generativa represente el 10% de todos los datos producidos, frente al 1% actual.
40. Usos indebidos y limitaciones
• Dificil de controlar
• Pseudo imaginación
• Seguridad
• Estafas
• Fraude
• Desinformación política
• Identidades falsificadas
41. ¿Cómo ser parte del desarrollo de la IA?
https://aka.ms/ml-beginners
https://es.coursera.org/learn/machine-learning
42. Hacia una IA responsable
• Justa
Los sistemas de IA deben tratar a todas las personas de manera justa
• Fiable y Segura
Los sistemas de IA deben funcionar de manera confiable y segura
• Privacidad y seguridad
Los sistemas de IA deben ser seguros y respetar la privacidad
• Inclusiva
Los sistemas de IA deben empoderar a todos e involucrar a las personas
• Transparente
Los sistemas de IA deben ser comprensibles
• Responsable
Las personas deben ser responsables de los sistemas de IA
43. Para aprender más
Introducción a TensorFlow
https://www.tensorflow.org/learn
Deep Learning (Kaggle)
https://www.kaggle.com/learn/intro-to-deep-learning
Machine Learning for Beginners
https://aka.ms/ml-beginners