Este documento describe un proyecto de un equipo de aprendizaje automático para predecir contactos en la NFL usando Kaggle. El equipo obtuvo buenos resultados usando métodos como Random Forest y XGBoost. El objetivo final es desarrollar proyectos de IA reales usando MLOps, aprendizaje profundo y la nube. El equipo también propone expandir el alcance a publicaciones, casos prácticos y un repositorio para documentar su trabajo.

1. Advanced
AI Formation
Kaggle NFL competition

2. Daniel Puente
David Eneko Ruiz
AI Team
Student Data Scientist
Project Leader
Stefano Masneri
Technical Manager
Marcos Iturbe
Data Engineer
David Del Río
Student Data Scientist
Joseba Herrera
Data Engineer

3. Índice
Resultados
Kaggle
Desde métricas hasta
análisis de vídeos
¿Próximos pasos?
Líneas futuras
A modo de aprendizaje
y formación
Introducción
¿A dónde queremos
llegar?
Propuesta
Que permita estar a la
vanguardia en IA

4. Introducción
¿A dónde queremos llegar?
01

5. Objetivo Final

6. Objetivo Final
MLOps + AI
Real projects

7. Objetivo Final
MLOps + AI
Real projects
ML - DL

8. Objetivo Final
MLOps + AI
Real projects
ML - DL Cloud

9. Objetivo Final
MLOps + AI
Real projects
ML - DL Cloud

10. Kaggle
A modo de aprendizaje y formación
02

11. Competition

12. Competition

13. Contact prediction
Competition

14. Análisis exploratorio
más la generación
de funciones para
procesar los datos
EDA
Pipeline
25%

15. Análisis exploratorio
más la generación
de funciones para
procesar los datos
EDA
Training, validating and
testing pipeline.
Modeling
Pipeline
50%
25%

16. Análisis exploratorio
más la generación
de funciones para
procesar los datos
EDA
Training, validating and
testing pipeline.
Modeling
Pipeline
50%
25% 75%
Cloud
Incluir todo el
proceso en la nube

17. Análisis exploratorio
más la generación
de funciones para
procesar los datos
EDA
Training, validating and
testing pipeline.
Modeling
Pipeline
50%
25% 75% 100%
Cloud
Incluir todo el
proceso en la nube
Monitoring
Generar Sistema de
producción. Creación
endpoint, Sistema de
alertas, data drift,
concept drift, fairness….

18. Algoritmos

19. Ensemble
Random Forest, XGBoost, LightGBM, Catboost…
Algoritmos

20. Ensemble
Random Forest, XGBoost, LightGBM, Catboost…
Computer Vision
CNN, Transformers…
Algoritmos

21. Ensemble
Random Forest, XGBoost, LightGBM, Catboost…
Computer Vision
CNN, Transformers…
Algoritmos
Hybrid methods
Ensemble + Computer vision algorithms

22. Servicio cloud

23. Servicio cloud
Azure Machine Learning es un servicio de Microsoft
Azure que permite a los científicos de datos y
desarrolladores entrenar, implementar y administrar
modelos de IA a escala en la nube.

24. Resultados
Desde métricas hasta análisis de vídeos
03

25. Preprocesamiento
Nosotros 1º Prize

26. Preprocesamiento
Nosotros 1º Prize

27. Azure ML Pipeline

28. Resultados
Matthews Correlation Coefficient
Score
Public Private

29. Resultados
Matthews Correlation Coefficient
Score
Public Private
0,671 0,691
0,798 0,796
0,797
0,793

30. Ejemplo visual
Contact player - player
Contact player - ground
No contact

31. Propuesta
Que permita estar a la vanguardia en IA
04

32. Beneficios claves

33. Beneficios claves
Obtener conocimiento
Formación de profesionales
Casos de uso
Presencia dentro de la comunidad
Retención/atracción de talento
Impulsar la adopción
de nuevos proyectos de IA

34. Líneas futuras
Expandiendo el horizonte
05

35. Puntos principales

36. Casos prácticos
Puntos principales

37. Casos prácticos
Puntos principales
Publicaciones

38. Casos prácticos
Puntos principales
Publicaciones Repositorio

39. Casos prácticos
Puntos principales
Publicaciones Repositorio

40. Repositorio

41. Repositorio
Repositorio para cada
proyecto que se realice
Casos de uso

42. Repositorio
Documentación detallada
del contenido del proyecto,
buenas prácticas…
Repositorio para cada
proyecto que se realice
Casos de uso
Documentación

43. Repositorio
Documentación detallada
del contenido del proyecto,
buenas prácticas…
Repositorio para cada
proyecto que se realice
Generación de una API
común
API
Casos de uso
Documentación

44. Repositorio

45. Final objective

46. Final objective

47. Final objective

48. CREDITS: This presentation template was
created by Slidesgo, and includes icons by
Flaticon, and infographics & images by Freepik
¡Muchas
gracias!
https://twitter.com/NTTDataSpain
https://www.shorturl.at/lnvO2
https://github.com/NTT-data-kaggle