Machine learning for dummies - Azuges November 2016

Trasparencias de la charla Machine Learning for Dummies del grupo Meetup de Azuges @ 22 de Noviembre de 2016

Ponentes: Rodrigo Cabello y Carlos Landeras

1. Machine Learning for Dummies

2. ¿Quiénes somos? Manuel Rodrigo Cabello Malagón Software Engineer at Plain Concepts @mrcabellom [email protected] Carlos Landeras Martínez Software Engineer at Plain Concepts @carlos_lande [email protected]

3. Índice Introducción Machine Learning Tipos de Algoritmos Machine Learning Machine Learning Workflow Azure Machine Learning Studio Python Tools (PTVS) Anaconda ( scipy , numpy , pandas, pyplot ..) Demos en Azure ML Clasificación binaria Regresión Clustering Web services ML Studio Demo WebApi (ASP NET CORE) / SignalR

4. Introducción a Machine Learning

5. Inteligencia Artificial Introducción a Machine Learning La inteligencia se puede definir como la capacidad de resolver problemas o elaborar productos que sean valiosos en una o más culturas. Howard Gardner, Universidad de Harvard

6. I.A. Moderna Renacimiento I.A. El invierno de la I.A. Test de Turing (nacimiento I.A.) 6 1943 1950 - 1956 1966 - 1974 1980 -1990 1990 - ---- Primeros éxitos: Juego de damas, 1952 Arthur Samuel, IBM Poda α-β 1966 ALPAC report (traducción automática) 1969 Marvin Minsky & Seymour Papert : Perceptrons ”(abandono de modelos conexionistas,la investigación en redes neuronales casi desaparece) 1973 Lighthill report (investigación en IA en el Reino Unido) 1974 Decepción en DARPA con CMU (programas de reconocimiento de voz) Modelo conexionista: “ backpropagation ”, 1986 (las redes neuronales retoman su popularidad) SAT solvers (problemas de satisfacción de restricciones) Modelos ocultos de Markov (procesamiento del lenguaje natural) Circuitos booleanos como modelos de cerebro Introducción a Machine Learning

7. ¿Qué pensamos nosotros sobre la inteligencia Artificial? Introducción a Machine Learning

8. ¿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? Introducción a Machine Learning

9. Introducción a Machine Learning ToolsGroup Evolución Machine learning

10. Introducción a Machine Learning ¿Cómo aprender machine learning ? Bottom -up Top- down

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

12. Tipos Machine Learning Algoritmos de clasificación Predecir dos categorías. Respuestas simples Predecir varias categorías Respuestas complejas ¿Qué tipo de servicio escogerá el cliente? ¿Es este tweet positivo o negativo?

13. Tipos Machine Learning Aprendizaje no supervisado Clustering : Organizar los datos en clusters sin tener el conocimiento previo del grupo al que pertenecen. Predecir y comprender mejor eventos y comportamientos ¿Cómo está organizado? 

14. Aprendizaje reforzado Algoritmos que aprenden acerca de los resultado que se realizan en ciertos estados. Cómo responden los animales y el ser humano a los castigos y recompensas. Tipos Machine Learning ¿Qué debo hacer ahora?

15. Introducción a Machine Learning Detección de anomalías Algoritmos que analizan patrones y detectan comportamientos extraños. Eventos o comportamientos inesperados o poco habituales. Propociona pistas sobre dónde buscar problemas. ¿Es extraño?

16. Machine Learning Workflow Workflow Modelo Predictivo

17. Algoritmos Machine Learning Clasificación Binaria Clasificación Múltiple

18. Algoritmos Machine Learning Regresión Detección de Anomalías

19. Algoritmos Machine Learning Perceptron ¿Cómo trabaja el cerebro? Algoritmo aprendizaje supervisado (Clasificación binaria). Predicción en base a una función lineal. Combina un vector de pesos con el vector de características.

20. Azure Machine Learning Studio

21. ¿Qué es Azure Machine Leaning Studio? Microsoft Azure Machine Learning Studio es una herramienta drag and drop colaborativa donde puedes crear , testear y desplegar soluciones de análisis predictivo sobre tus datos . Machine learning studio publica modelos como Web Services para que podamos consumirlos de manera sencilla con aplicaciones personalizadas o herramientas BI.

22. Para desarrollar un análisis de modelo predictivo , utilizaremos orígenes de datos de una o varias fuentes , transformando y analizando los datos a través de funciones estadísticas y de manipulación de datos , para poder generar un conjunto de resultados . Azure ML Studio nos Brinda un workspace interactivo para poder crear , testear e iterar fácilmente en un modelo de análisis predictivo . Workspace interactivo de Azure ML

23. Azure ML tiene las siguientes secciones de trabajo : Projects Experiments Web Services Notebooks Datasets Trained Models Settings (Name, Token, Users) Azure ML Studio - Secciones

24. Dashboard : Experimentos Elementos del experimento : Datasets Transformación datos , Algoritmos , Python scripts, R Scripts Train Model Score Model Etc … Experimento de ML Studio

25. Cortana intelligence gallery Cortana intelligence Gallery permite a la comunidad de desarrolladores y data scientists compartir sus soluciones analíticas. Encontraremos numerosos experimentos implementando distintos algoritmos, scripts de Python y R https://gallery.cortanaintelligence.com/browse Podremos clonar los experimentos en nuestro workspace para trabajar con ellos, modificarlos, ejecutarlos. Etc.

26. DEMO : Creando Workspace y Experimentos

27. Python Tools Visual Studio

28. Microsoft y Python Visual Studio Code Django y Azure Machine Learning Web App Web Jobs PTVS(Python Tools VS)

29. Introducción PTVS (Python tools for VS) PTVS (2.2.5) Plugin de código abierto que convierte Visual Studio en un IDE para Python. Soporta Cython , IronPython , edición, navegación, IntelliSense detallado, depuración interactiva, profiling . Soporte para frameworks (Django, Flask y Bottle ) Gestión de entornos virtuales. Code snippets . Test Unitarios. Gran batería de ejemplos. https://microsoft.github.io/PTVS/ https://github.com/Microsoft/PTVS/releases

30. Introducción PTVS (Python tools for VS) Entornos virtuales en Python Espacio virtual para nuestras librerías. Independiente de otros entornos virtuales y de los paquetes globales del sistema. Permite mantener diferentes versiones del mismo paquete.

31. Integración test unitarios Python Tools interpreta test unitarios creados con BaseTestCase , siendo posible su inspección y ejecución desde la ventana de Test Explorer de Visual Studio.

32. Intellisense Visual Studio nos facilita la escritura de código con intellisense . Tanto para los módulos de Python como para librerías de terceros.

33. Anaconda

34. Anaconda Plataforma open source powered by Python. Soporte para librerías Python y R + 720 paquetes para procesamiento de datos, análisis predictivo y computación científica. Gestor de paquetes conda . Pandas, numpy , sklearn

35. Iris Precio Coches Cuantización Imágenes DEMO Azure ML

36. Web Services Azure ML Studio

37. Azure Machine learning nos permite publicar web services para poder consumir el modelo predictivo que hemos estado desarrollando . Exponiendo y consumiendo Web Services Experimento Training Web Service Tipos Desplegar WebService Predictive Web Service

38. Consumir web services Predictive WebService Training WebService Batch (csv) Request/Response Score result ILearner Prediction Batch (csv) (Azure Storage) Predictions Patch (Retrain model) Ilearner blob file Train model updated! (200) ¿Como re- entrenamos el módelo ?

39. DEMO : Aplicación Asp.Net Core y ML Studio Web Services

40. ¿PREGUNTAS?