El documento presenta una introducción al machine learning. Explica que el machine learning permite identificar patrones en grandes volúmenes de datos para predecir resultados mediante aprendizaje automático. Se detalla que el curso enseñará conceptos de machine learning, el proceso de desarrollo de modelos, y el uso de Python para aplicar machine learning a casos reales. Los estudiantes aprenderán diferentes técnicas de machine learning supervisado y no supervisado, y cómo construir y evaluar modelos predictivos para consolidar los conocimientos adquiridos.
Conferencia impartida en la Artificial Intelligence Conference, donde se compartieron experiencias sobre el Machine Learning, su definición, los tipos de aprendizaje, algunas aplicaciones y el uso de BigML.
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
Conferencia impartida en la Artificial Intelligence Conference, donde se compartieron experiencias sobre el Machine Learning, su definición, los tipos de aprendizaje, algunas aplicaciones y el uso de BigML.
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
En los últimos años, muchas de las soluciones de seguridad están utilizando el aprendizaje automático para detectar y prevenir las principales amenazas como malware o detección de anomalías en las redes. El objetivo de los algoritmos de machine learning es construir modelos que permitan predecir con la mayor precisión posible si ante nuevas entradas de datos, nuestro algoritmo va a ser capaz de predecir si se trata
de malware o se ha detectado un comportamiento anómalo. Para ello disponemos varios tipos de modelos como regresión, clasificación, agrupación en clústeres, árboles de decisión, entre otros.
En esta charla explicaré los conceptos principales sobre el aprendizaje automático aplicado a la ciberseguridad a través de diferentes casos de uso y ejemplos. Comenzaremos explicando los algoritmos principales que podemos usar para hacer nuestras predicciones, aplicando estos conceptos en el campo de la seguridad. Se comentarán ejemplos que permitirán evaluar las mejores técnicas de aprendizaje automático en función del problema de seguridad que se plantea.
MACHINE LEARNING (Aprendizaje Automático) es la ciencia que permite que las computadoras aprendan y actúen como lo hacen los humanos, mejorando su aprendizaje a lo largo del tiempo de una forma autónoma, alimentándolas con datos e información en forma de observaciones e interacciones con el mundo real.
En los últimos años, muchas de las soluciones de seguridad están utilizando el aprendizaje automático para detectar y prevenir las principales amenazas como malware o detección de anomalías en las redes. El objetivo de los algoritmos de machine learning es construir modelos que permitan predecir con la mayor precisión posible si ante nuevas entradas de datos, nuestro algoritmo va a ser capaz de predecir si se trata
de malware o se ha detectado un comportamiento anómalo. Para ello disponemos varios tipos de modelos como regresión, clasificación, agrupación en clústeres, árboles de decisión, entre otros.
En esta charla explicaré los conceptos principales sobre el aprendizaje automático aplicado a la ciberseguridad a través de diferentes casos de uso y ejemplos. Comenzaremos explicando los algoritmos principales que podemos usar para hacer nuestras predicciones, aplicando estos conceptos en el campo de la seguridad. Se comentarán ejemplos que permitirán evaluar las mejores técnicas de aprendizaje automático en función del problema de seguridad que se plantea.
MACHINE LEARNING (Aprendizaje Automático) es la ciencia que permite que las computadoras aprendan y actúen como lo hacen los humanos, mejorando su aprendizaje a lo largo del tiempo de una forma autónoma, alimentándolas con datos e información en forma de observaciones e interacciones con el mundo real.
3. Acerca del Machine Learning
Cada vez un mayor volumen de datos se sigue generando en las organizaciones y se requiere de ciertas capacidades
y habilidades para poder identificar patrones ocultos en todo este mar de datos y así lograr predecir comportamientos o
eventos futuros mediante un aprendizaje automático.
Las aplicaciones del Machine Learning (ML) son muy diversas y amplias como: pronosticar la fuga de clientes,
prevención de fraudes, segmentación de clientes, sistemas de recomendación, reconocimiento de patrones en imágenes,
voz y vídeo, análisis de sentimientos, diagnósticos médicos, programas informáticos de inteligencia artificial, entreotros.
En este curso adquirirás los conocimientos, habilidades y técnicas para el análisis de datos y el desarrollo de modelos
predictivos. Conocerás al detalle cada fase del proceso de construcción de un modelo de Machine Learning y cómo
identificar el valor generado de su puesta enproducción.
Conocerás Python como una de las herramientas más fáciles de utilizar para aplicar Machine Learning a casos reales y
aplicativos.
Al final del curso tendrás la oportunidad de presentar y sustentar un proyecto final para consolidar los conocimientos
adquiridos durante las sesiones poniéndote a prueba en un escenario competitivo.
4. ¿Qué aprenderemos?
Módulo 1:
Introducción alMachine
Learning
Módulo 2:
LibreríasdePython
Módulo 4:
Selecciónde Variablesy
BalanceodeDatos
Módulo 5:
Construccióny
Evaluación deModelos
Módulo 6:
Ensamblado deModelos
Módulo 7:
TópicosAdiciones
- Aprenderemos los conceptos,
tiposyaplicacionesdeML.
- Una revisión general de las
Fases para el Desarrollo de un
Modelo deML.
Módulo 3:
Entendimientoy
PreparacióndeDatos
- Aprenderemos lasdefiniciones
claves dentro delML.
- Cómo realizar un buen análisis
exploratorio y tratamiento de
datos para descubririnsights.
- Revisaremos la sintaxis de Python,
funciones y tipos de estructuras de
datosprincipales.
- Aprenderemos autilizar las librerías
de Pythonparael tratamiento y
análisisdedatos.
distintos modelos utilizando los
algoritmos de ML supervisados y no
supervisados.
- Estudiaremos lasdistintas técnicas
de validación y optimización de
modelos.
- Aprenderemos técnicas de
balanceode datos, selección de
variables más importantes y cómo
definir la mejor forma de dividir los
datos para el entrenamiento y
validación delmodelo.
- Aprenderemos qué son modelos
ensamblados, los tipos que existen
y cómo estas técnicas nos permiten
obtenerun mejorpoderpredictivo.
- Aprenderemos a construir los - Revisaremos ciertos tópicos
complementarios relacionados
al campo del Machine Learning
como Procesamiento del
Lenguaje Natural, Sistemas de
Recomendación y Deep
Learning.
5. ¿Qué es Machine Learning?
MACHINE LEARNING
Campo de estudio que le da a los sistemas
la habilidad de aprender algo sin ser
explícitamente programadas.
ARTIFICIAL INTELLIGENCE
Simulación de los procesos de la
Inteligencia humana por máquinas.
Esos procesos incluyen:
aprender, razonar, etc.
7. Aplicaciones
Segmentación de clientes potenciales
Pronóstico de fuga de clientes
Detección de fraude
Scoring de Riesgos
Sistemas de Recomendación
Análisis de Sentimientos
Reconocimiento de imágenes, voz, video.
Detección temprana de enfermedades
9. Aprendizaje Supervisado
Los algoritmos de aprendizaje supervisado se entrenan usando ejemplos etiquetados, a fin
de predecir una etiqueta en base a un conjunto de características.
Si la etiqueta es categórica es llamada problema de clasificación, y si es continua, problema
de regresión.
Clasificación Regresión
10. Aprendizaje No Supervisado
¿Qué pasa si no se cuenta con data histórica?, es decir sólo se cuenta con las
características.
El objetivo es encontrar patrones en los datos y encontrar una estructura.
¿CuántosClústers?
2 Clústers
6 Clústers
4 Clústers
11. Aprendizaje Supervisado
Aprendizaje
No Supervisado
Clasificación
Regresión Logística
Vecinos más cercanos
Bayesiana
Máquina de Soporte Vectorial
Árboles deDecisión
Ensamblados deÁrboles
Redes Neuronales
Regresión
Regresión Lineal
Árboles deDecisión
Métodos Ensamblados
Redes Neuronales
Clustering
K - Medias
K - Prototipos
K - Modas
K – Medoids
Jerárquico
12. Fases de Desarrollo de un Modelo de ML
Adquisición de
Datos
Ingeniería de
Variables
Datos de
Entrenamiento
Datos de Prueba
Entrenamiento
Evaluación de
Modelos
Despliegue del
Modelo
Ajuste de Hiper
Parámetros
17. Medición de Resultados
91.22
17.68
9.93
5.26
2.00 0.97 0.87 0.46 0.22 0.58
69.0%
89.9%
86.8%
95.7%
98.3% 98.4% 99.0% 99.5% 99.7% 100.0%
60%
70%
80%
90%
100%
0
20
40
60
80
100
1 2 3 6 8 9 10
Indicadores por decil
4 5
RT Conversión
7
% Ingresos
Se dividió la base por deciles según los resultados del modelo. Los primeros 5 grupos generaron el 98% de los ingresos
totales de la campaña feb-17.
50%
Nro Decil
RT Ingr/Costos % Ingresos
Resultados Modelo de Propensión de Compra
