Este documento presenta una introducción a machine learning y Azure Machine Learning. Explica conceptos fundamentales de machine learning y los pasos para construir una solución de machine learning, incluyendo recopilar datos, prepararlos, producir un modelo y publicarlo como un servicio web. Incluye demostraciones de cómo crear un workspace de Azure ML, producir un experimento de machine learning y publicarlo como un servicio web para su uso en aplicaciones.

1. Machine Learning
Presentador: Alan Koo
Moderador: Jose L. Rivera
Mayo 14, 2015
May 14 – 15, 2015
2015
Microsoft
MVP Virtual
Conference

2. acerca de mi
• senior consultant en nagnoi
• 15+ años en SQL Server
• 10+ años en BI & OLAP
• 5 años Microsoft MVP in SQL Server
• blog: www.alankoo.com
• co-fundador de Puerto Rico PASS
• mentor regional de PASS para LATAM

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

4. ansiosos por saber el futuro

5. …yo tengo la resupuesta

6. …ésta sí que es la respuesta

7. …la tercera la vencida

8. …a ver a ver vamos a tomarlo con calma

9. …crucen los picos para no fallar

10. …Paul es la solución!

11. machine learning

12. 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

13. 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

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

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

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

17. retos para usar Machine Learning
Tradicional
(adivinar,
regla de
dedo, prueba
y error)
caro
aislado caos
Complejo
Consecuencias
Pérdida de Oportunidades, Errores
operacionales costosos
Estrategia de
cambio
Se dicen
muchas cosas
Data
Scientist
Nuevos
mercados
Alta
competencia

18. Azure Machine Learning

19. 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

20. Azure Machine Learning
Azure Portal
ML Studio
ML API service
equipo de operaciones
profesionales de datos
& Data scientist
desarrolladores de
software

21. Demo [Equipo de operaciones]
Creando un Azure Machine Learning
workspace

22. Flujo de Machine Learning
Recopilar suficientes volúmenes de datos
actuales, limpios y completes es crítico
Garbage in  Garbage out 
Los conjuntos de datos pueden ser de:
Fuentes internar: operacionales, data warehouses, etc
Fuentes externas, formatos distintos
Combinar conjuntos de datos puede
enriquecer el proceso
Ej. Integrar data external a data interna como el clima, mercados, tasas, etc.

23. Demo [Professional de datos]
Recopilando datos de calidad

24. Flujo de Machine Learning
Esfuerzos importantes son requeridos para
preparar la data para Machine Learning
Transformar a limpiar, reducir o re-formatear
Aislar y marcar data fuera de lo normal
Sustituir apropiadamente valores no existentes
Categorizar valores continuos en rangos
Normalizar valores continuos entre 0 y 1
Por supuesto, tener la data requerida es
muy importante
Al diseñar el sistema, considere atributos que podrían ser considerados
como entradas en modelos futuros: Ej. Fecha de nacimiento, género, etc.

25. Flujo de Machine Learning
Etapa iterativa, experimentación es requerida para
producir un modelo óptimo
Incluye:
Seleccionar un algoritmo
Definir entradas y salidas
Optimización configurando parámetros del algoritmo
Evaluación del modelo es crítico:
Precisión
Confiabilidad
Usabilidad

26. Demo [Professional de datos]
Produciendo un experimiento de machine
learning

27. Flujo de Machine Learning
Primero, agregue un scoring experiment
Lógica de transformación es reemplazada por recursos de transformación
reusable
Lógica de entrenamiento es reemplazada por un modelo entrenado
Se agregan Web Services de entrada y salida
Las propiedades del módulo pueden ser parametrizadas
Prepare el experimiento para
Publique el experimiento como un web service
Publique el experimiento a la galería
Aprenda de otros descubriendo experimientos
Contribuya y muestre sus experimientos

28. Demo [Professional de datos]
Preparando y publicando el web service

29. Flujo de Machine Learning
Administre los web services
Agregue y administre los endpoints
Configure el throttle y tracing de los endpoints
Monitoree los web services
Monitoree las transacciones en el API
Monitoree el uso de los workspaces
Monitoree los recursos de cómputo
Monitoree el espacio de almacenamiento
Monetice sus web services publicando en el Azure
Marketplace

30. Demo [Professional de datos]
Preparando y publicando el web service

31. Demo [Operaciones]
Administrando el web service

32. Flujo de Machine Learning
Integrar
Desarrolle una aplicación que integre
funcionalidad predictiva con llamadas al web
service
Cada web Service ofrece dos métodos
• Request/Response Service (RRS): Poca latencia, web Service escalable
• Batch Execution Service (BES): Alto volumen, scoring asíncrono de muchos
registros
El servicio puede ser invocado por cualquier lenguaje de programación
• Conectividad a internet
• Capacidades SSL para solicitudes HTTPS
• ODA endpoint y API key
• Habilidad para formatear JSON

33. Demo [Desarrollador de Software]
Integrando resultados predictivos en una
aplicación

34. machine learning está alrededor nuestro

36. 1 1 5 4 3
7 5 3 5 3
5 5 9 0 6
3 5 2 0 0
Training examples Training labels
Clasificador de
dígitos de
precisión

37. aplicaciones poderosas

38. escenarios de negocio
• capturar correo no deseado
• ocr (optical character recognition)
• procesamiento de lenguaje natural
• traducción máquina
• biología
• medicina
• robótica (Sistemas Autónomos)
• etc…

39. qué sigue ahora?
AzureML Marketplace

40. Azure Data Market ML Applications
• http://text-analytics-demo.azurewebsites.net/
• https://churn.cloudapp.net
• http://how-old.net/#

41. preguntas?
alan.koo@nagnoi.com

42. 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

43. gracias
alan.koo@nagnoi.com