Machine Learning for Developers

Presentación del tema: "Machine Learning for Developers"— Transcripción de la presentación:

1 Machine Learning for Developers
Rodrigo Cabello Machine Learning for Developers

2 BIG Thanks to SQLSatMadrid sponsors

3 ¿Quién soy? ¿Quién soy? Manuel Rodrigo Cabello Malagón
Software Engineer @mrcabellom

4 Introducción Machine Learning
Inteligencia Artificial Variantes aprendizaje Workflow modelo predictivo Microsoft + IA Azure Machine Learning Studio Experimentos Servicios Web ML Studio Demo Cuantización y segmentación por color

5 Machine Learning

6 Introducción Machine Learning
Inteligencia Artificial 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.

7 Test de Turing (nacimiento I.A.)
Introducción Machine Learning Inteligencia Artificial Test Turing superado 2014 Circuitos booleanos como modelos de cerebro Test de Turing (nacimiento I.A.) El invierno de la I.A. Renacimiento I.A. I.A. Moderna 1943

8 Introducción Machine Learning
Inteligencia Artificial ¿Cómo nos imaginamos la Inteligencia Artificial?

9 Introducción Machine Learning
Inteligencia Artificial ¿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?

10 Introducción Machine Learning
¿Cómo aprendo Machine Learning? Bottom-up Top-down

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

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

13 Introducción Machine Learning
Variantes de aprendizaje 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? 

14 Introducción Machine Learning
Variantes de aprendizaje 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?

15 Introducción Machine Learning
Variantes de aprendizaje 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?

16 Introducción Machine Learning
Workflow Entrenamiento & Test

17 Microsoft + IA

18 Microsoft + IA Servicios y herramientas Azure ML Studio
Cognitive Services CNTK Bot Framework

19 Azure Machine Learning Studio

20 Azure Machine Learning Studio
Introducción 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.

21 Azure Machine Learning Studio
Workspace y Experimentos 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.

22 Azure Machine Learning Studio
Algoritmos Regresión Ordinal regression Fast forest quantile regression Neural Network regression Poisson regression Lineal regression Bayesian Linear regression Decision forest regression Boosted decisión tree regression Detección de anomalías One class SVM PCA-Based Anomaly Detection Clustering K-Means

23 Azure Machine Learning Studio
Algoritmos Clasificación binaria Two-class SVM Two-class averaged perceptron Two-class logistic regression Two-class Bayes point machine Two-class decision forest Two-class decisión jungle Two-class locally deep SVM Two-class boosted decisión tree regression Two-class neural network Clasificación multi-clase Multiclass logistic regression Multiclass neuronal network Multiclass decision forest Multiclass decision jungle One-v-all multiclass

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

25 Azure Machine Learning Studio
Workflow Experimento entrenamiento: Obtención de los datos. Preprocesamiento de datos. Split (Datos entrenamiento /Test). Selección Algoritmo. Entramiento del modelo. Evaluación resultados.

26 Demo Azure Machine Learning Studio

27 Web Services Azure Machine Learning Studio

28 Azure Machine Learning Studio
Web services (Entreamiento) Permite realizar un entrenamiento del modelo a través de una API. Servicio web entrenamiento Request-Response Batch

29 Azure Machine Learning Studio
Web services (Predictivo) Realizar predicciones a través de una API usando el model entrenado. Servicio web predictivo Request-Response Batch Update (PATCH)

30 Demo cuantización y segmentación por color

31 Aplicación Cuantización y segmentación por color de Imágenes
Dataset clúster Web service CIE L*a*b* (CIE76) Dataset cuantizado (media) K-means

32 K - Means Aprendizaje no supervisado. Clustering
Inicialización centroides Random Kmeans++ Inicializar primer clúster de manera aleatoria. Calcular la distancia al centroide más cercano. Escoger un nuevo centroide. Donde x es escogido con la probabilidad proporcional a 𝐷(𝑥) 2 del centroide más cercano. Repetir los pasos 2 y 3 hasta que se hayan escogido todos los centroides. Kmeans++

33 K - Means 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

34 Muchas Gracias