Este documento presenta una introducción a machine learning para desarrolladores. Explica brevemente conceptos clave como inteligencia artificial, aprendizaje supervisado, no supervisado y por refuerzo. Luego describe el workflow típico de un modelo predictivo, incluyendo entrenamiento, prueba e implementación. Finalmente, introduce Azure Machine Learning Studio como una plataforma para crear, probar y publicar soluciones de machine learning como servicios web.

1. Rodrigo Cabello
Machine Learning for
developers
PyConEs 2017 Cáceres

2. ¿Quién soy?
Manuel Rodrigo Cabello Malagón
Software Engineer
@mrcabellom
mrcabellom@gmail.com
https://geeks.ms/mrcabellom/

3. • Introducción Machine Learning
• Inteligencia Artificial
• Variantes aprendizaje
• Workflow modelo predictivo
• Azure Machine Learning Studio
• Experimentos
• Servicios Web ML Studio
• Demo
• Clasificación no supervisada (K-means)
• Cuantización y segmentación por color

5. Objetivo: Imitar las funciones cognitivas del ser humano: “Aprender” y “Resolver Problemas”.
• Principalmente persigue 2 objetivos:
• Sistemas que piensan y actúan como humanos.
• Sistemas que piensan y actúan racionalmente.
Inteligencia Artificial

6. I.A. Moderna
Renacimiento
I.A.
El invierno de
la I.A.
Test de Turing
(nacimiento I.A.)
61943 1950 - 1956 1966 - 1974 1980 -1990 1990 - ----
Circuitos booleanos
como modelos de
cerebro
Test Turing superado 2014
Inteligencia Artificial

7. • ¿Cómo nos imaginamos la Inteligencia Artificial?
Inteligencia Artificial

8. • ¿Qué es machine learning?
• Rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que
permitan a las computadoras aprender de los datos existentes para prever
tendencias, resultados y comportamientos futuros.
• Primeros algoritmos de Machine Learning (Perceptron, 1958)
• Transformar datos en conocimiento:
• Compra Online.
• Detección de fraudes.
• ¿Cuánto podría valer este coche?
Inteligencia Artificial

9. Bottom-up Top-down
¿Cómo aprendo Machine Learning?

10. • Aprendizaje supervisado
• Aprender acerca de un conjunto de datos ya clasificados para poder hacer
predicciones futuras.
• Algoritmos de clasificación y regresión.
¿esto es A o B?
Clasificación
¿cuánto? o ¿cuántos?
Regresión
Variantes de aprendizaje

11. • Clasificación
• Predecir dos categorías.
• Respuestas simples
• Predecir varias
categorías
• Respuestas complejas
¿Qué tipo de servicio escogerá
el cliente?
¿Es este tweet positivo o
negativo?
Variantes de aprendizaje

12. • Aprendizaje no supervisado
• Clustering: Organizar los datos en
clusters sin tener conocimiento previo
del grupo al que pertenecen.
• Predecir y comprender mejor eventos y
comportamientos futuros.
¿Cómo está organizado?
Variantes de aprendizaje

13. • Aprendizaje por refuerzo
• Algoritmos que aprenden acerca de los resultados que se realizan en ciertos estados.
• Modifica la estrategia para obtener mayor recompensa.
• Cómo responden los animales y el ser humano a los castigos y recompensas.
¿Qué debo hacer ahora?
Variantes de aprendizaje

14. • Detección de anomalías
• Algoritmos que analizan patrones y detectan
comportamientos extraños.
• Eventos o comportamientos inesperados o
poco habituales.
• Proporciona pistas sobre dónde buscar
problemas.
¿Es extraño?
Variantes de aprendizaje

15. Entrenamiento
&
Test
Workflow

17. • Plataforma de aprendizaje
• Crear, probar e implementar
soluciones de análisis
predictivo.
• Subscripción gratuita.
• Publicación de modelos como
servicios webs.
• Integración con aplicaciones
personalizadas o herramientas BI.
• Soporte para R y Python.
• Herramientas procesamiento de
datos.
Introducción

18. • Panel para poder desarrollador nuestros
experimentos predictivos:
• Conjuntos de datos.
• Transformación datos.
• Algoritmos.
• Selección de características.
• Python scripts, R Scripts.
• Modelos entrenados.
• Modelos de Resultados.
• Transformaciones.
• Servicios Web.
Workspace y Experimentos

19. • Librería Azure Machine Learning
• Permite acceder al Workspace de Azure ML
Studio.
• Crear, leer y administrar datasets.
Librerías

20. • Experimento entrenamiento:
1. Obtención de los datos.
2. Preprocesamiento de datos.
3. Split (Datos entrenamiento /Test).
4. Selección Algoritmo.
5. Entramiento del modelo.
6. Evaluación resultados.
Workflow

23. • Permite realizar un
entrenamiento del modelo a
través de una API.
Servicio web
entrenamiento
Web services (Entreamiento)
Request-Response
Batch

24. Servicio web
predictivo
Web services (Predictivo)
Request-Response
Batch
Update (PATCH)
• Realizar predicciones a través
de una API usando el model
entrenado.

26. Cuantización y segmentación por color de Imágenes
Web service
CIE L*a*b* (CIE 76)
K-means
Dataset cuantizado
(media)
Dataset clúster

27. Aprendizaje no supervisado. Clustering
2. Asignación de las observaciones a los centroides (por distancia)
3. Recalcular centroides (media)
4. Repetir 2 y 3 se repiten hasta que se converja.
Con K = 2

28. Muchas gracias