introducción a azure machine learning
TRANSCRIPT
Introducción a Azure Machine Learning
Alan KooSenior Consultant | Nagnoi, LLC.Microsoft MVP
2
acerca de mi
senior consultant en Nagnoi enfoque en business intelligence & application architecture 15+ años en SQL Server 10+ años en BI & OLAP 6 años Microsoft MVP in SQL Server blog: www.alankoo.com co-fundador de Puerto Rico PASS mentor regional de PASS para LATAM
3
agenda
• conceptos fundamentales de machine learning• Azure Machine Learning• demos
3
4 4
5
agenda
conceptos fundamentales de machine learningAzure Machine Learningdemos
6
edx: Data Science and Machine Learning Essentials
7
machine learning en accióndime tu foto y te diré quien eres
8
data science
• tema en evolución, no existe una sola definición• requiere un rango de habilidades (skills)
Exploración y análisis cuantitativo de toda la data estructurada y no estructurada
disponible para desarrollar entendimiento, extraer conocimiento y formular resultados
accionables
9
data science
• palabra clave: “ciencia”• probar cosas• (podría no | no va a)
funcionar la primera vez
• esto podría funcionar…pregunta
• wikipediainvestigación
• tengo una ideahipótesis
• pruébalaexperimentación
• ¿funcionó?análisis
• tiempo para otra ideaconclusión
10
data scientists están obsesionados con los datos
• buscando fuentes de datos• adquiriendo datos• limpiando y transformando datos• entendiendo las relaciones en los datos• entregando valor a partir de los datos
11
tipos de “analytics”
Retrospective analytics
Real-time analytics IntelligentSaaS apps
Retrospective analytics
Predictive analytics
12
machine learning
Rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a
las computadoras aprender… trata de crear programas capaces de generalizar
comportamientos a partir de una información no estructurada suministrada en forma
de ejemplos. ..Proceso de inducción del conocimiento.
http://en.wikipedia.org/wiki/Machine_learning
13
necesito sumar dos números
f( num1, num2 )
14
necesito predecir la rentabilidad de mis
clientes
f(Edad, Estado Civil, Género, Ingreso Anual,Total de Niños, Educación, Ocupación,
Tiene Casa, Distancia Diaria )
15
pasos para construir una solución de Machine Learning
1definir
problema de negocio
2recopilar
datos
3desarrollo
de modelos
4publicar modelo
6monitorear desempeño del modelo
1definir
Objetivo / Métrica
2extraer
características derivadas
3seleccionar
características
4preparar el
modelo
5evaluar el modelo
5Integrar
aplicaciones
16
17
1 1 5 4 3
7 5 3 5 3
5 5 9 0 6
3 5 2 0 0
Ejemplos de entrenamiento Etiquetas de entrenamiento
Clasificador de dígitos de precisión
2
Sistema de machine learning
18
tipos de problema: clasificaciónSe tiene un conjunto de observaciones de entrenamiento (ej. imágenes etiquetadas) y un conjunto de pruebas que se usa sólo para la evaluación conjunto de
entrenamientoconjunto de
pruebas
(no es silla)
(no es silla)
(no es silla)(no es silla)
(no es silla)
(silla)
(silla)
(no es silla)
19
tipos de problema: regresión
Para predecir valores reales: ¿ Cuántos clientes visitarán nuestro website la próxima semana? ¿ Cuántos televisores venderemos el próximo año? ¿Podemos predecir el ingreso de alguien basado en su información detallada?
20
tipos de problema: aprendizaje supervisado
• Clasificación y Regresión son problemas de aprendizaje supervisado• “Supervisado” significa que la data de entrenamiento está basado
experiencia real de la cuál se debe aprender• Algoritmos para aprendizaje supervisado algorithms son mucho
más fácil de evaluar vs los no supervisados
21
aprendizaje no supervisado“no supervisado” significa que la data no está basada en etiquetas de la cuál se puede aprender
No supervisado:
22
Azure Machine Learning
23
Habilita el análisis predictivo poderoso basado en la nube. Profesionales pueden fácilmente construir, distribuir y compartir soluciones analíticas avanzadas
Azure Machine Learning
• Accesible a través de un navegador web, no require instalar software
• Colaboración con cualquiera en cualquier lugar usando Azure workspace
• Composición visual con Soporte de inicio a fin para flujos de data science
• Los mejores algoritmos de ML• Extensible, soporte de lenguaje R y Phyton
24
DemosAzure Machine Learning
25
machine learning está alrededor nuestro
26
aplicaciones poderosas
27
aplicaciones poderosas
28
resumen
Machine Learning, rama de la inteligencia artificial cuyo objetivo es
desarrollar técnicas que permitan a las computadoras aprender de datos
29
resumen
Atributos claves de Azure Machine LearningCompletamente administrado No requiere HW o SW que comprarIntegrado Arrastrar, soltar, conectar y configurarAlgoritmos mejores de su clase Soluciones probadas de Xbox y BingR integrado Use sobre 400 packages de R, o incluya su propio código R o PythonDeployment en minutos Operacionalice con sólo un click
30
qué sigue?AzureML Marketplace
33
créditos/referencias
• Presentación de Seth Juarez, TechEd Europe 2014• Presentación de Renato Jovic, Advanced Technology Day 2014• Presentación de Peter Myers, Ignite 2015• Libro: AzureML Essentials, Jeff Barnes, 2015• edx: Data Science and Machine Learning Essentials
Questions?
Thank You for AttendingFollow @pass24hop
Share your thoughts with hashtags #pass24hop & #sqlpass