Machine Learning para aprovechar las redes sociales presenta información sobre machine learning y sus aplicaciones. Explica conceptos básicos como aprendizaje automático, algoritmos de aprendizaje supervisado y no supervisado. Luego describe cómo aplicar machine learning a redes sociales como Twitter y LinkedIn para extraer patrones e insights. Finalmente, promueve Azure Machine Learning como una plataforma fácil de usar para construir y desplegar modelos de machine learning.
5. ■¿Que és Machine Learning?
■Conceptos Cores
■Aplicaciones que la utilizan
■El lenguaje R
■Experimentos con Twitter
■Experimentos con Linkedin
■Q & A
Agenda
6.
7. ■Conjunto de técnicas pertenecientes a la inteligencia
artificial cuyo objetivo es permitir que las máquinas
“aprendan”.
■Su objetivo es predecir un resultado partiendo de un
conjunto de información.
■Intenta obtener los patrones de comportamiento y
especialmente “generalizar”, es decir, predecir como
serán los nuevos casos basándose en la experiencia
anterior.
Machine Learning
9. ■Generalización: capacidad de utilizar la experiencia adquirida en un
conjunto de información de ejemplo, y propagarla hacia nuevos casos y
nuevas experiencias.
■Tenemos algoritmos para casi todo: unos que buscan los patrones de
cambio, otras que simplemente clasifican y otras que aplican la
experiencia.
■Aplicaciones infinitas: traducción, búsquedas, comportamientos de
mercado, tiempo, Big Data, Minería de Datos, detección de fraudes
¿Cómo funciona el Machine Learning?
10. ■Odisea en el espacio (2001)
■Skynet
■Minority Report
¿Ciencia Ficción o Realidad?
13. ■Data: Todo acerca de los datos. Adquirir, compilar y analizar las
pruebas
■Modelo: Utilizar diferentes algoritmos de aprendizaje para crear nuevos
modelos
■Evaluar el modelo: Examinar la exactitud de los modelos para predecir
el resultado correcto
■Refinar el modelo: Comparar, contrastat y combinar modelos
alternativos
■Desplegar el modelo: Crear un servicio web escalable
■Testear : Comprobarlo en un entorno productiov
Azure Machine Learning Workflow
14. ■Clasification
Estos se utilizan para clasificar los datos en diferentes categorías que luego
pueden ser usados para predecir una o más variables discretas, basadas en los
otros atributos del conjunto de datos
■Regresion
Estos se utilizan para predecir una o más variables continuas, como resultado del
ejercicio, sobre la base de otros atributos del conjunto de datos.
■Clustering
Estos determinan agrupaciones naturales y patrones en los conjuntos de datos y
se utilizan para predecir las clasificaciones de agrupación para una variable dada.
Tipos de Algoritmos
17. ■Es un lenguaje de programación muy popular para el análisis de datos,
desarrollo de modelos estadísticos y aplicaciones gráficas.
■Open Source
■R Studio
■Integración con Python
Language R
18.
19. ■Basado y aplicando
Graph su reto es
priorizar la información
vinculada a mí desde
distintos orígenes de
contenido (Exchange
Online, Onedrive,
SharePoint y Yammer).
Office Delve
20. ■Filtra los mensajes que llegan a la Bandeja
de Entrada y los organiza según los
criterios del usuario de forma automática.
■NO se trata de aplicar una serie de reglas
predefinidas, sino que aprende por sí
mismo lo que es importante y lo que no lo
es, observando nuestras costumbres y
preferencias para repetirlas
automáticamente a posteriori
Clutter
24. ■Reducir complejidad
■Accesible a traves del un navegador
■Colaborativo, trabajar en equipo via Azure
Workspace
■Composición Visual
■Posibilidad de llevar modelos a producción
■Soporte de R
Azure Machine Learning
25. ■Testeo rapido de nuevas funcionalidades
y algoritmos.
■Biblioteca de Modelos
■Compartir, buscar, reutilizar
■Rápido Deploy como Azure web service
Azure Machine Learning