machine learning y deep learning en aws - s3-eu-west-1 ... · e.g. photo classification and tagging...
TRANSCRIPT
© 2016, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
Solutions Architect
21/09/2017
Machine Learning y Deep Learning
en AWSJavier Ros
Opción 1- Construir una aplicación
Edad Género Fecha
compra
Elem.
30 M 3/1/2017 Juguete
40 M 1/3/2017 Libros
…. …… ….. …..
Entrada Salida
Edad Género Fecha
compra
Elem.
30 M 3/1/2017 Juguete
…. …… ….. …..
Regla 1: 15 <edad< 30
Regla 2: Compró Juguete=Y
Regla 3: Última compra < 30
días
Regla 4: ……..
Regla 5: ……..
Programador
Humano
Edad Género Fecha
compra
Elem. Precio Visitado Tam
año
…
30 M 3/1/2017 Juguete 18 S 10 ..
40 M 1/3/2017 Libros 23 S 25 ….
…. …… ….. …..
¿Y si tenemos cientos de parámetros de entrada?
¿Cómo los analizamos?
¿Cuántas reglas necesitamos?
¿Cómo nos adaptamos a los cambios?
Un modelo es una función que divide el espacio
Datos históricos Construcción del
modelo
Predicción
¿Cuál es mi color?
¿Y cuál es el mío?
Opción 2 – Aprender las reglas de negocio de los datos
Edad Género Fecha
compra
Elem.
30 M 3/20/2017 Juguete
40 M 1/3/2017 Libros
…. …… ….. …..
Algoritmo de
aprendizajeModelo
SalidaHistórico de compras
(Training Data)
Predicción
Edad Género Items
35 F Juguete
39 M Juguete
Entrada – Nuevos datos
a*edad + b*fecha + … 3*edad + 2*fecha + …
Cómo aprende la máquina
Human intervention and validation required
e.g. Photo classification and tagging
Entrada
Etiqueta
Algoritmo
Machine
Learning
Perro
Predicción
Gato
Training Data
?Etiqueta
Perro
Ajustar el modelo
Cada vez tenemos más datos
Eda
d
Género Fecha
compra
Elem. Precio Alt AH Pi Rest Ter Zo3 Ancho Prof Pola Pir Tare V5 R3 Lot Cert Curt
30 M 3/20/2017 Juguete 12 345 54 72 1232 1234 15 257 3 75 2 324 23457 752 4236 54 362
40 M 1/3/2017 Libros 63 43 563 7 3 54 82 83 745 4 57 262 2574 623 45 23 362
30 M 3/20/2017 Juguete 12123 456 5 1 13 4 457 7 134 272 86 23457 2374 7 162 2346 36
30 M 3/20/2017 Juguete 1234 543 45 5 64 543 83 7 674 35 73 136 65 345 3 645 324
30 M 3/20/2017 Juguete 12345 264 112 5 4643 3 436 3568 75 73 82 614 3246 346 7 234 342
30 M 3/20/2017 Juguete 435 164322 867 1 14 9 722 122 4 0 27 761 36 24 4 36 346
30 M 3/20/2017 Juguete 65 1642 67 6 74 0 32 75 42 6 372 274 36 3425 2 6 1264
…. …… ….. ….. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. ….
¿Qué pasa con los algoritmos tradicionales cuando tenemos muchas más
columnas y datos?
Requieren un análisis de cada columna
La exactitud no mejora a pesar de tener muchos más datos
Clasificación
Capas de la red neuronal
Píxeles de la imagen
Detección de aristas
Detección de partes
(Combinando las aristas)
Detección del objeto
Predicción
Extracción
Análisis de los datos
Entrada
Análisis a
mano de los
datos
Modelado Salida
Machine Learning Tradicional
Entrada Capa 1 Capa 2 Modelado Salida
Deep Learning
Recomendaciones y Ranking en Netflix
Ranking personalizado,
generación de las páginas,
búsqueda, ratings, …
En 130 países
simultáneamente
AI Services
AI Platform
AI Engines
Amazon
Rekognition
Amazon
Polly
Amazon
Lex
Apache
MXNetTensorFlow Caffe Theano KerasTorch CNTK
Amazon AI: Artificial Intelligence
Amazon
Machine LearningEMR & Spark
Rekognition: Buscar y entender contenido visual
Análisis de
imágenes en
tiempo real y por
lotes
Detección de
objetos y escenasDetección de caras Búsqueda facialAnálisis facial
Amazon Confidential
Polly: Servicio para convertir texto a voz
Convierte texto a
voz
47 voces 27 idiomas Baja latencia,
tiempo real
Totalmente
gestionado
Amazon Confidential
Lex: Construye interacciones en voz y texto
Voz & Texto
“Chatbots”
Alimenta
Alexa
Interacciones de voz
en móviles, web
& dispositivos
Interacción en texto
con Slack & Messenger
Enterprise
Connectors
Salesforce
Microsoft Dynamics
Marketo
Zendesk
Quickbooks
HubspotMás información en la sesión:
“Inteligencia artificial y Bots en AWS”
AWS Deep Learning AMI: One-Click Deep Learning
Hasta 40,000
CUDA Cores
Apache
MXNet
Python 3 Notebooks
& Ejemplosy TensorflowCaffe2TorchKerasTheanoCNTK
• Flexible - Suporta programación imperativa y simbólica
• Portable – Se ejecuta en CPUs ó GPUs, en clusters, servidores,
escritorios o móviles
• Múltiples lenguajes - C++, Python, R, Scala, Julia, Matlab and
Javascript, Perl
• Distribuido en el Cloud - Soporta entrenamiento distribuido on
multiples máquinas con CPU/GPU
• Optimizado para el rendimiento – Backend C++ optimizado para
paralelizar tanto I/O como computación
• Soporta gran cantidad de modelos - CNN, RNN/LSTM
Deep Learning sin matemáticas
data = mx.sym.var('data')
data = mx.sym.flatten(data=data)
fc1 = mx.sym.FullyConnected(data=data, num_hidden=128)
act1 = mx.sym.Activation(data=fc1, act_type="relu")
fc2 = mx.sym.FullyConnected(data=act1, num_hidden = 64)
act2 = mx.sym.Activation(data=fc2, act_type="relu")
fc3 = mx.sym.FullyConnected(data=act2, num_hidden=10)
mlp = mx.sym.SoftmaxOutput(data=fc3, name='softmax')
¿Cómo empezar?
Amazon AI: https://aws.amazon.com/amazon-ai/
Crear una instancia usando la AMI de Deep Learning
Probar los tutoriales y ejemplos de MXNet
Blog: https://aws.amazon.com/blogs/ai/
Síguenos en Twitch: https://www.twitch.tv/aws