Machine learning101
0 recomendaciones52 vistas
Este documento presenta una introducción al aprendizaje automático (machine learning). Explica que el aprendizaje automático permite que los computadores optimicen su rendimiento mediante el uso de datos de ejemplo o experiencia pasada. Luego describe diferentes tipos de aprendizaje automático como el supervisado, no supervisado y de refuerzo, y algunos algoritmos comunes como regresión lineal, redes neuronales y máquinas de vectores de soporte. Finalmente, menciona algunos servicios de Azure para aprendizaje automático como Cortana Intelligence
Machine learning101
- 1. Machine Learning 101 Ricardo GonzalezVargas Microsoft Regional Director - Bogotá CEO – Androcial / WomyAds.com @rgonv - http://ricardogonzalez.me
- 2. Quien les Habla? Machine Learning Blockchain Cloud Architecture
- 3. Agenda • Que es Machine Learning? • Por que ML? • Machine Learning Vs Artificial Intelligence • Escenarios de Uso de ML • Aproximaciones para Machine Learning • Servicios de Azure para Machine Learning • Servicios Out of the Box
- 4. Que es Machine Learning (ML)? •Definición: • “Un computador aprende de la experiencia E con respecto a una clase de tareaT y medida de rendimiento P, si su rendimiento en la tareaY medido en P mejora con la experiencia E”- Tom M. Mitchell •Para Mortales: • “El objetivo de ML es programar computadores para usar datos de ejemplo o experiencia previa para resolver un problema” – Introduction to Machine Learning, 2nd Edition, MIT Press
- 5. Que es Machine Learning (ML)? •Permite optimizar el criterio de rendimiento usando datos de ejemplo o experiencia pasada •Inferencia a partir de ejemplos (rol de estadística) •Eficiencia de algoritmos para resolver problemas de optimización representando y evaluando el modelo para inferencia
- 6. Por que ML? •Es programar para optimizar el criterio de rendimiento utilizando datos de ejemplo o experiencia pasada •Hay muchos casos que no requieren aprendizaje •El aprendizaje se utiliza en casos como: • No hay experiencia previa • No es fácil explicar la experiencia existente • La solución cambia en el tiempo • La solución se debe adaptar a casos particulares
- 7. Machine Learning Vs Artificial Intelligence
- 8. Escenarios de uso de ML •Análisis medico •Vision computarizada •Procesamiento de lenguaje natural •Control de robots •Biología computacional •Análisis predictivo •Identificación de anomalías
- 9. Aproximaciones para ML • Aprendizaje Supervisado o Inductivo Los datos de entrenamiento incluyen la salida deseada • Aprendizaje No Supervisado Los datos de entrenamiento no incluyen la salida deseada • Aprendizaje Semi-supervisado Los datos de entrenamiento incluyen algunas salidas • Aprendizaje de Refuerzo Recompensas a partir de una secuencia de acciones
- 10. Aprendizaje Supervisado (Inductivo) • Teniendo ejemplos de una función (X, F(X)) • Prediga el valor de la función (X, F(X)) para nuevos ejemplos de X • Usos: • Clasificación: F(x) es una función discreta • Regresión: F(x) es una función continua • Estimación probabilística: F(x) = Probabilidad(x)
- 11. Aprendizaje Supervisado 6. Seleccion ar el mejor modelo 5. Evaluar resultados . Volver a 3? 4. Aplicar algoritmo s en los datos 3. Construir el Modelo 2. Dividir en entrenami ento y prueba 1. Limpiar y complem entar datos 0. Datos
- 12. Aprendizaje No Supervisado •Aprender lo que sucede “normalmente” •Clúster : Agrupar instancias similares •Análisis deAsociación: Asociaciones en elementos de los datos
- 15. Linealidad
- 16. Linealidad
- 17. Regresión Lineal
- 19. Arboles, Junglas y Bosques de decisión
- 20. Redes neuronales y perceptrones
- 22. Principal Component Analysis - PCA
- 23. Clustering
- 25. Servicios Out Of The Box • Cortana Intelligence Suite
- 26. Machine Learning 101 Ricardo GonzalezVargas Microsoft Regional Director - Bogotá CEO – Androcial / WomyAds.com @rgonv - http://ricardogonzalez.me
- 27. Q & A