El documento habla sobre machine learning y su aplicación en Azure Machine Learning. Brevemente describe machine learning como sistemas que se vuelven más inteligentes a través de la experiencia y datos históricos. Luego explica que Azure Machine Learning facilita la construcción e implementación de soluciones analíticas utilizando machine learning a través de servicios en la nube. Finalmente, muestra una demostración de cómo se puede utilizar este servicio para cargar datos, limpiarlos, aplicar algoritmos de machine learning y crear servicios web.

2. Luis Beltrán
• Microsoft MVP en Tecnologías de Desarrollador
• Investigador y estudiante de doctorado en la
Universidad Tomás Bata en Zlín, República Checa.
• Docente en el Tecnológico Nacional de México en
Celaya.
Email: luis@luisbeltran.mx
Twitter: darkicebeam
LinkedIn: /in/luisantoniobeltran
Blog: https://luisbeltran.mx
CONTACTO

4. • Vivimos en un mundo globalizado y conectado a Internet.
• Se realizan millones de operaciones electrónicas por minuto.
• ¿Cuántas de esas operaciones son fraudulentas?
• Seguridad, integridad, autenticidad y validez de las operaciones y de
la información

5. ¿Qué es Machine Learning?
• Sistemas, aplicaciones, software que se hacen más inteligentes
gracias a la experiencia.
• Experiencia = datos históricos + información humana
• Utiliza minería de datos y técnicas de aprendizaje para entrenar
modelos utilizando datos históricos para predecir resultados
futuros.

6. Información humana
Es el dominio del Científico de Datos y el Experto en el Tema
que determinan si los datos cumplen con los siguientes
criterios:
• Relevancia
• Conexión
• Precisión
• Abundante

8. Problemas de Machine Learning
• Predicción
• Clasificación
• Anomalías
• Agrupación (Clustering)

12.  Ejercicio: Determinando un patrón para detección de operaciones fraudulentas

13.  Patrón observado: Una transacción es fraudulenta si el propietario tiene entre 20 y 30 años,
la tarjeta fue expedida en Estados Unidos pero utilizada en Rusia y el monto de la operación
es superior a $1,000.

15. • Entre más información se tenga al inicio, más confiable será el modelo
construido.
• Las características de los datos a analizar tienen que ser seleccionadas
cuidadosamente.
• Normalmente los datos se pre-procesan a fin de tener datos preparados
(limpios).
• Los algoritmos de ML aplican análisis estadístico sobre los datos a fin de
generar un modelo que los describa.
• El modelo es utilizado en alguna aplicación a fin de resolver un problema u
analizar datos nuevos.
• El modelo generado tiene un nivel de confiabilidad que depende de varios
factores.

16. • El trabajo en ML es en dos modos básicamente: Entrenamiento y
Puntuación.
• En el modo de entrenamiento, se proporcionan datos de entrada a un
modelo de ML y entonces un modelo de ML es aplicado a los datos. Por
ejemplo, tal vez se desee entrenar a un modelo con una gran cantidad de
datos sobre las formas, tamaños y colores de una caja lleno de fruta.
• En el modo de puntuación, el modelo se aplica a nuevos datos y se obtiene
un score. Regresando al ejemplo, podría usarse este modo para frutas
anómalas que no tienen combinaciones de características como las de la
caja de entrenamiento, o si etiquetó las frutas en la caja original, podría
usar el modelo para etiquetar nuevas frutas basándose en forma y tamaño.

18. Aplicaciones del Machine Learning

19. • http://www-03.ibm.com/ibm/history/ibm100/us/en/icons/deepblue/
Deep-Blue

20. https://studio.azureml.net/
https://azure.microsoft.com/es-mx/services/machine-learning-studio/

21. • Un servicio completamente administrado desde la nube que facilita la
construcción e implementación de soluciones analíticas en 4 áreas:
• Predicción
• Clasificación
• Clustering (Agrupación)
• Detección de fraudes.
Azure Machine Learning

22. Carga de
Datos desde
diferentes
fuentes
Limpieza
de Datos
Algoritmos
de Machine
Learning
Lenguajes
R y Python
Web
services

24. • Implementación
• Acceso

28. Demo

29. Conclusiones
• Machine Learning es un área de gran importancia y utilidad en un mundo donde a cada instante
se generan millones de datos. Es la era del Big Data.
• El análisis de Big Data permite crear soluciones a problemas y construir mejores aplicaciones.
• Azure Machine Learning afronta el reto de simplificar el proceso de implementación de
soluciones que utilizan aprendizaje automático.
• Los científicos de datos siempre serán importantes en el análisis de datos.
• Este servicio de la nube puede ayudar a que personas menos especializadas en las ciencias de los
datos jueguen un rol importante en la aplicación de aprendizaje automático en problemas de la
vida real.

30. ¿Preguntas?

31. ¡Gracias por su atención!
@darkicebeam
luis@luisbeltran.mx
Comunidad Xamarin en Español:
https://www.facebook.com/groups/xamarindiplomadoitc/
Blog:
https://luisbeltran.mx
GitHub:
https://github.com/icebeam7
LinkedIn:
https://linkedin.com/in/luisantoniobeltran
SlideShare:
https://linkedin.com/in/luisantoniobeltran
YouTube:
https://youtube.com/user/darkicebeam
About Me:
https://about.me/luis-beltran