Descargado 43 veces
Machine learning for dummies - Azuges November 2016
- 1.
- 2. ¿Quiénes somos? Manuel RodrigoCabello Malagón Software Engineer at Plain Concepts @mrcabellom mrcabellom@gmail.com Carlos Landeras Martínez Software Engineer at Plain Concepts @carlos_lande carlos.landeras@gmail.com
- 3. Índice • Introducción MachineLearning • Tipos de Algoritmos Machine Learning • Machine Learning Workflow • Azure Machine Learning Studio • Python Tools (PTVS) • Anaconda (scipy, numpy, pandas, pyplot..) • Demos en Azure ML • Clasificación binaria • Regresión • Clustering • Web services ML Studio • Demo WebApi (ASP NET CORE) /SignalR
- 4. Introducción a MachineLearning
- 5. • Inteligencia Artificial Introduccióna Machine Learning La inteligencia se puede definir como la capacidad de resolver problemas o elaborar productos que sean valiosos en una o más culturas. Howard Gardner, Universidad de Harvard
- 6. I.A. Moderna Renacimiento I.A. El inviernode la I.A. Test de Turing (nacimiento I.A.) 61943 1950 - 1956 1966 - 1974 1980 -1990 1990 - ---- Primeros éxitos: • Juego de damas, 1952 • Arthur Samuel, IBM • Poda α-β • 1966 ALPAC report (traducción automática) • 1969 Marvin Minsky & Seymour Papert: Perceptrons”(abandono de modelos conexionistas,la investigación en redes neuronales casi desaparece) • 1973 Lighthill report (investigación en IA en el Reino Unido) • 1974 Decepción en DARPA con CMU (programas de reconocimiento de voz) • Modelo conexionista: “backpropagation”, 1986 (las redes neuronales retoman su popularidad) • SAT solvers (problemas de satisfacción de restricciones) • Modelos ocultos de Markov (procesamiento del lenguaje natural) Circuitos booleanos como modelos de cerebro Introducción a Machine Learning
- 7. • ¿Qué pensamosnosotros sobre la inteligencia Artificial? Introducción a Machine Learning
- 8. • ¿Qué esmachine 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? Introducción a Machine Learning
- 9. Introducción a MachineLearning ToolsGroup Evolución Machine learning
- 10. Introducción a MachineLearning ¿Cómo aprender machine learning? Bottom-up Top-down
- 11. Tipos Machine Learning •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
- 12. Tipos Machine Learning •Algoritmos de clasificación • Predecir dos categorías. • Respuestas simples • Predecir varias categorías • Respuestas complejas ¿Qué tipo de servicio escogerá el cliente? ¿Es este tweet positivo o negativo?
- 13. Tipos Machine Learning •Aprendizaje no supervisado • Clustering: Organizar los datos en clusters sin tener el conocimiento previo del grupo al que pertenecen. • Predecir y comprender mejor eventos y comportamientos ¿Cómo está organizado?
- 14. • Aprendizaje reforzado •Algoritmos que aprenden acerca de los resultado que se realizan en ciertos estados. • Cómo responden los animales y el ser humano a los castigos y recompensas. Tipos Machine Learning ¿Qué debo hacer ahora?
- 15. Introducción a MachineLearning • Detección de anomalías • Algoritmos que analizan patrones y detectan comportamientos extraños. • Eventos o comportamientos inesperados o poco habituales. • Propociona pistas sobre dónde buscar problemas. ¿Es extraño?
- 16.
- 17. Algoritmos Machine Learning ClasificaciónBinaria Clasificación Múltiple
- 18. Algoritmos Machine Learning RegresiónDetección de Anomalías
- 19. Algoritmos Machine Learning Perceptron¿Cómo trabaja el cerebro? • Algoritmo aprendizaje supervisado (Clasificación binaria). • Predicción en base a una función lineal. • Combina un vector de pesos con el vector de características.
- 20. Azure Machine LearningStudio
- 21. ¿Qué es AzureMachine Leaning Studio? Microsoft Azure Machine Learning Studio es una herramienta drag and drop colaborativa donde puedes crear, testear y desplegar soluciones de análisis predictivo sobre tus datos. Machine learning studio publica modelos como Web Services para que podamos consumirlos de manera sencilla con aplicaciones personalizadas o herramientas BI.
- 22. • Para desarrollarun análisis de modelo predictivo, utilizaremos orígenes de datos de una o varias fuentes, transformando y analizando los datos a través de funciones estadísticas y de manipulación de datos, para poder generar un conjunto de resultados. • Azure ML Studio nos Brinda un workspace interactivo para poder crear, testear e iterar fácilmente en un modelo de análisis predictivo. Workspace interactivo de Azure ML
- 23. Azure ML tienelas siguientes secciones de trabajo: • Projects • Experiments • Web Services • Notebooks • Datasets • Trained Models • Settings (Name, Token, Users) Azure ML Studio - Secciones
- 24. Dashboard : Experimentos Elementosdel experimento: • Datasets • Transformación datos, • Algoritmos, • Python scripts, R Scripts • Train Model • Score Model • Etc… Experimento de ML Studio
- 25. Cortana intelligence gallery Cortanaintelligence Gallery permite a la comunidad de desarrolladores y data scientists compartir sus soluciones analíticas. Encontraremos numerosos experimentos implementando distintos algoritmos, scripts de Python y R https://gallery.cortanaintelligence.com/browse Podremos clonar los experimentos en nuestro workspace para trabajar con ellos, modificarlos, ejecutarlos. Etc.
- 26. DEMO : Creando Workspacey Experimentos
- 27. Python Tools VisualStudio
- 28. Microsoft y Python VisualStudio Code Django y Azure Machine Learning Web App Web Jobs PTVS(Python Tools VS)
- 29. Introducción PTVS (Pythontools for VS) • PTVS (2.2.5) • Plugin de código abierto que convierte Visual Studio en un IDE para Python. • Soporta Cython, IronPython, edición, navegación, IntelliSense detallado, depuración interactiva, profiling. • Soporte para frameworks (Django, Flask y Bottle) • Gestión de entornos virtuales. • Code snippets. • Test Unitarios. • Gran batería de ejemplos. https://microsoft.github.io/PTVS/ https://github.com/Microsoft/PTVS/releases
- 30. Introducción PTVS (Pythontools for VS) • Entornos virtuales en Python • Espacio virtual para nuestras librerías. • Independiente de otros entornos virtuales y de los paquetes globales del sistema. • Permite mantener diferentes versiones del mismo paquete.
- 31. Integración test unitarios PythonTools interpreta test unitarios creados con BaseTestCase, siendo posible su inspección y ejecución desde la ventana de Test Explorer de Visual Studio.
- 32. Intellisense • Visual Studionos facilita la escritura de código con intellisense. Tanto para los módulos de Python como para librerías de terceros.
- 33.
- 34. Anaconda • Plataforma opensource powered by Python. • Soporte para librerías Python y R • + 720 paquetes para procesamiento de datos, análisis predictivo y computación científica. • Gestor de paquetes conda. Pandas, numpy, sklearn
- 35. • Iris • PrecioCoches • Cuantización Imágenes DEMO Azure ML
- 36. Web Services AzureML Studio
- 37. • Azure Machinelearning nos permite publicar web services para poder consumir el modelo predictivo que hemos estado desarrollando. Exponiendo y consumiendo Web Services Experimento Training Web Service TiposDesplegar WebService Predictive Web Service
- 38. Consumir web services Predictive WebService Training WebService Batch(csv) Request/Response Score result ILearner Prediction Batch (csv) (Azure Storage) Predictions Patch (Retrain model) Ilearner blob file Train model updated! (200) ¿Como re-entrenamos el módelo?
- 39. DEMO : Aplicación Asp.NetCore y ML Studio Web Services
- 40.