Herramientas y Frameworks para el desarrollo de AI

1. Herramientas y
Frameworks
para desarrollo
en AI

2. • Head de DS RappiPay
• Maestría en ciencias de la computación por el
ITESM
• Organizador del Data Pub Mx
• http://carlwhandlin.com/
• https://www.linkedin.com/in/carlhandlin/
• https://github.com/cwallaceh/
¿Quién soy?

3. º
Artificial Intelligence
Machine Learning
Deep Learning
Data Science
Areas del AI
…

5. • Cálculo vectorial y multivariable
• Álgebra lineal
• Optimización
• Probabilidad y estadística
Matemáticas esenciales

6. Libros, libros, libros

7. Online MOOC’s

8. Languages for AI

9. ML and DL

10. • Unas de las herramientas más usadas para el
entrenamiento de modelos de machine learning
(supervisado y no supervisado).
• Extensión de SciPy con los algoritmos de ML más
usados (SciKit). Creado sobre NumPy y SciPy, y
algunos paquetes de C.
• Herramienta de código abierto.
• Probablemente la mejor herramienta para ML en la
actualidad.
• Para clasificación, regresión, agrupación…
• Modelo lineal generalizado, SVM, kNN, árboles de
decision, Naive Bayes.
Scikit-Learn

11. • Unas de las herramientas más usadas para el
entrenamiento de modelos de deep learning
usando redes neuronales.
• Escrito en C++ y Python, desarrollado por el
Google Brain en 2015.
• Herramienta de código abierto que provee
funciones para trabajar con tensores y grafos.
• Actualmente en su versión 2.0
• TensoFlow.js para correr modelos en el browser
• Demo
TensorFlow

12. • Keras es una API de aprendizaje profundo
escrita en Python, que se ejecuta sobre
TensorFlow, pero también puede trabajar con
otros backends (Theano, CNTK).
• Keras es la API de alto nivel con una interfaz
accesible y altamente productiva
• Proporciona abstracciones y bloques de
construcción esenciales para desarrollar
soluciones de aprendizaje automático
• Podemos pensar en Keras como un conjunto
de abstracciones que facilitan construir
modelos de deep learning
Keras

13. TF vs Keras
import tensorflow as tf
from tensorflow.keras.layers import Input, Dense
from keras.models import Model
l = tf.keras.layers
model = tf.keras.Sequential([
l.Flatten(input_shape=(784,)),
l.Dense(128, activation='relu'),
l.Dense(128, activation='relu'),
l.Dense(10, activation='softmax')
])
model.compile(loss='categorical_crossentropy', optimizer='adam',metrics = ['accuracy'])
model.summary()
model.fit(x_train.reshape(-1,784),pd.get_dummies(y_train),nb_epoch=15,batch_size=128,verbose=1)
X = tf.placeholder(dtype=tf.float64)
Y = tf.placeholder(dtype=tf.float64)
num_hidden=128
# Build a hidden layer
W_hidden = tf.Variable(np.random.randn(784, num_hidden))
b_hidden = tf.Variable(np.random.randn(num_hidden))
p_hidden = tf.nn.sigmoid( tf.add(tf.matmul(X, W_hidden), b_hidden) )
# Build another hidden layer
W_hidden2 = tf.Variable(np.random.randn(num_hidden, num_hidden))
b_hidden2 = tf.Variable(np.random.randn(num_hidden))
p_hidden2 = tf.nn.sigmoid( tf.add(tf.matmul(p_hidden, W_hidden2), b_hidden2) )
# Build the output layer
W_output = tf.Variable(np.random.randn(num_hidden, 10))
b_output = tf.Variable(np.random.randn(10))
p_output = tf.nn.softmax( tf.add(tf.matmul(p_hidden2, W_output), b_output) )
loss = tf.reduce_mean(tf.losses.mean_squared_error(
labels=Y,predictions=p_output))
accuracy=1-tf.sqrt(loss)
minimization_op = tf.train.AdamOptimizer(learning_rate=0.01).minimize(loss)
feed_dict = {
X: x_train.reshape(-1,784),
Y: pd.get_dummies(y_train)
}
with tf.Session() as session:
session.run(tf.global_variables_initializer())
for step in range(10000):
J_value = session.run(loss, feed_dict)
acc = session.run(accuracy, feed_dict)
if step % 100 == 0:
print("Step:", step, " Loss:", J_value," Accuracy:", acc)
session.run(minimization_op, feed_dict)
pred00 = session.run([p_output], feed_dict={X: x_test.reshape(-1,784)})

14. • Un contendiente fuerte para las otra
herramientas de deep learning basado en
Torch
• Herramienta de código abierto desarrollada
por el departamento de investigación en AI de
Facebook
• Entre los ejemplo más importantes de software
que usa Pytorch se encuentra el “Tesla
Autopilot”.
PyTorch

15. • Herramienta de código abierto para desarrollo
de redes neuronales profundas.
• Respaldado por proveedores de nube como
Amazon Web Services (AWS) y Microsoft Azure.
• C ++ para el backend que aprovecha al máximo
la GPU o CPU disponible, y Python, R, Scala,
Clojure, Julia, Perl, MATLAB o JavaScript para un
frontend de desarrollo.
MXNet

16. NLP Tools

17. • Natural Language Toolkit, Herramienta de
código abierto.
• Conjunto de herramientas de procesamiento
de texto para clasificación, tokenización,
stemming, etiquetado, análisis gramatical y
razonamiento semántico.
• Análisis de sentimiento, auto correctos,
traductor de idiomas, generación de texto,
reconocimiento de entidades, modelado de
temas.
NLTK

18. CV Tools

19. • ¡Más de 20 años de existencia!
• Herramienta de código abierto con mas de 2500
algoritmos optimizados.
• Usado para detección y reconocimiento de
rostros, identificar objetos, clasificar acciones
humanas en videos, rastrear movimientos,
rastrear objetos en movimiento, extraer modelos
3D de objetos, buscar imágenes similares de una
base de datos, seguir los movimientos oculares,
reconocer paisajes y establecer marcadores para
superponerlos con realidad aumentada, y
muchas más aplicaciones.
• Multiplataforma, C++, Python, Java, etc…
OpenCV

20. Cloud AI

21. • Amazon CodeGuru
• Amazon Comprehend
• Amazon Comprehend Medical
• Amazon Forecast
• Detector de fraudes de Amazon
• Amazon Kendra
• Amazon Lex
• Amazon Personalize
• Amazon Polly
• Amazon Rekognition
• Amazon Textract
• Amazon Transcribe
• Amazon Translate
AIaaS en AWS

22. ¡Gracias!