El documento introduce el concepto de Azure Machine Learning, destacando su capacidad para facilitar el análisis predictivo basado en la nube y su accesibilidad a través de un navegador web. También se discuten los fundamentos de machine learning y la clasificación de problemas, así como las ventajas de usar Azure Machine Learning para construir soluciones analíticas sin necesidad de hardware o software adicional. Finalmente, se menciona la importancia de la colaboración y la extensibilidad de la plataforma con soporte para lenguajes como R y Python.

1. Introducción a Azure Machine
Learning
Alan Koo
Senior Consultant | Nagnoi, LLC.
Microsoft MVP

2. acerca de mi
2
 senior consultant en Nagnoi
 enfoque en business intelligence & application architecture
 15+ años en SQL Server
 10+ años en BI & OLAP
 6 años Microsoft MVP in SQL Server
 blog: www.alankoo.com
 co-fundador de Puerto Rico PASS
 mentor regional de PASS para LATAM

3. 3
agenda
• conceptos fundamentales de machine learning
• Azure Machine Learning
• demos
3

4. 44

5. 5
agenda
conceptos fundamentales de machine learning
Azure Machine Learning
demos

6. 6
edx: Data Science and Machine Learning Essentials

7. 7
machine learning en acción
dime tu foto y te diré quien eres


8. 8
data science
• tema en evolución, no existe una sola definición
• requiere un rango de habilidades (skills)
Exploración y análisis cuantitativo de toda la data estructurada y no estructurada
disponible para desarrollar entendimiento, extraer conocimiento y formular resultados
accionables

9. 9
data science
• palabra clave: “ciencia”
• probar cosas
• (podría no | no va a)
funcionar la primera vez
• esto podría funcionar…pregunta
• wikipediainvestigación
• tengo una ideahipótesis
• pruébalaexperimentación
• ¿funcionó?análisis
• tiempo para otra ideaconclusión

10. 10
data scientists están obsesionados con los datos
• buscando fuentes de datos
• adquiriendo datos
• limpiando y transformando datos
• entendiendo las relaciones en los datos
• entregando valor a partir de los datos

11. 11
tipos de “analytics”
Retrospective
analytics
Retrospective
analytics

12. 12
machine learning
Rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a
las computadoras aprender… trata de crear programas capaces de generalizar
comportamientos a partir de una información no estructurada suministrada en forma
de ejemplos. ..Proceso de inducción del conocimiento.
http://en.wikipedia.org/wiki/Machine_learning

13. 13
necesito sumar dos
números
f( num1, num2 )

14. 14
necesito predecir la
rentabilidad de mis
clientes
f(Edad, Estado Civil, Género, Ingreso Anual,
Total de Niños, Educación, Ocupación,
Tiene Casa, Distancia Diaria )

15. 15
pasos para construir una solución de Machine Learning
5
Integrar
aplicaciones

16. 16

17. 17
1 1 5 4 3
7 5 3 5 3
5 5 9 0 6
3 5 2 0 0
Ejemplos de entrenamiento Etiquetas de entrenamiento
Clasificador de
dígitos de
precisión
2

18. 18
tipos de problema: clasificación
Se tiene un conjunto de observaciones de entrenamiento (ej. imágenes
etiquetadas) y un conjunto de pruebas que se usa sólo para la evaluación
conjunto de
entrenamiento
conjunto de
pruebas
(no es silla)
(no es silla)
(no es silla)(no es silla)
(no es silla)
(silla)
(silla)
(no es silla)

19. 19
tipos de problema: regresión
Para predecir valores reales:
 ¿ Cuántos clientes visitarán nuestro website la próxima semana?
 ¿ Cuántos televisores venderemos el próximo año?
 ¿Podemos predecir el ingreso de alguien basado en su información detallada?

20. 20
tipos de problema: aprendizaje supervisado
• Clasificación y Regresión son problemas de aprendizaje supervisado
• “Supervisado” significa que la data de entrenamiento está basado
experiencia real de la cuál se debe aprender
• Algoritmos para aprendizaje supervisado algorithms son mucho más fácil de
evaluar vs los no supervisados

21. 21
aprendizaje no supervisado
“no supervisado” significa que la data no está basada en etiquetas de la cuál se
puede aprender
No supervisado:

22. 22
Azure Machine Learning

23. 23
Habilita el análisis predictivo poderoso basado en la
nube. Profesionales pueden fácilmente construir,
distribuir y compartir soluciones analíticas avanzadas
Azure Machine Learning
• Accesible a través de un navegador web, no require instalar software
• Colaboración con cualquiera en cualquier lugar usando Azure workspace
• Composición visual con Soporte de inicio a fin para flujos de data science
• Los mejores algoritmos de ML
• Extensible, soporte de lenguaje R y Phyton

24. 24
Demos
Azure Machine Learning

25. 25
machine learning está alrededor nuestro

26. 26
aplicaciones poderosas

27. 27
aplicaciones poderosas

28. 28
resumen
Machine Learning, rama de la inteligencia
artificial cuyo objetivo es desarrollar técnicas
que permitan a las computadoras aprender de
datos

29. 29
resumen
Atributos claves de Azure Machine Learning
Completamente administrado  No requiere HW o SW que comprar
Integrado  Arrastrar, soltar, conectar y configurar
Algoritmos mejores de su clase  Soluciones probadas de Xbox y Bing
R integrado  Use sobre 400 packages de R, o incluya su propio código R
o Python
Deployment en minutos  Operacionalice con sólo un click

30. 30
qué sigue?
AzureML Marketplace

31. 32
preguntas?
Alan Koo
Nagnoi, LLC.
alan.koo@nagnoi.com
blog: alankoo.com
@alan_koo

32. 33
créditos/referencias
• Presentación de Seth Juarez, TechEd Europe 2014
• Presentación de Renato Jovic, Advanced Technology Day 2014
• Presentación de Peter Myers, Ignite 2015
• Libro: AzureML Essentials, Jeff Barnes, 2015
• edx: Data Science and Machine Learning Essentials

33. 34
gracias
Alan Koo
Nagnoi, LLC.
alan.koo@nagnoi.com
blog: alankoo.com
@alan_koo

34. Questions?

35. Thank You for Attending
Follow @pass24hop
Share your thoughts with hashtags
#pass24hop & #sqlpass