Slides of my presentation about Azure Machine Learning at UNICABA workshop

1. Introducción a
Machine Learning

2. Agenda del encuentro
01
Presentación de la asignatura
y del cuerpo docente
02
Introducción a Machine Learning
03
Trabajando en Azure
Machine Learning
04
Conclusiones
05
Para aprender más

3. Presentación de la
asignatura y del cuerpo
docente

4. Profesor a cargo: Humberto Jaimes
Humberto es un desarrollador experto de apps
multiplataforma utilizando C#, especialmente trabajo
en apps móviles con Xamarin, tecnología en la que
actualmente está certificado y en la CDMX inició una
comunidad sobre Xamarin por la cual fue reconocido
como Xamarin y Microsoft MVP. También soy
instructor sobre Xamarin de forma presencial y virtual.
Tiene más de 8 años como consultor en diferentes
sectores de la industria: Banco, Retail, Consultoria
entre otros
Como área alterna es un experto en Marketing Digital
Colabora como coach en los OpenHack de
Microsoft

5. Profesor a cargo: Luis Beltran
"Actualmente es investigador y concluyó su
Doctorado por la Tomas Bata University en Zlín,
República Checa, fue docente en el Tecnológico
Nacional de México en Celaya y cuenta con varias
certificaciones Microsoft relativas al área de Azure
Developer e IA. Se dedica al desarrollo de
aplicaciones móviles inteligentes que puedan
integrarse a la nube“
Tiene más de 8 años en la industria siendo un
referente en temas de Inteligencia Artificial
participando en proyectos en México, Panama y
Europa, además de que el año pasado fue speaker
en el Build, que es el evento más grande Microsoft
para desarrolladores.
Cuenta con certificaciones de Xamarin Certified
Mobile Developer, MS (C#, Azure), MCSD en UWP,
MCPS, MTA.
Colabora como coach en los OpenHack de Microsoft

6. Profesor a cargo: Jesus Gil
Autor, experimentado arquitecto de datos, DBA,
Desarrollador, Instructor y MVP (desde 2010 hasta
2021). Tiene más de 10 años como instructor técnico,
10 años como desarrollador, alrededor de 15 años
como DBA, 10 años como arquitecto de BI, de
infraestructura y de datos, en los últimos tres años
trabajando con herramientas de análisis y de
plataforma moderna
Ha sido coautor del libro PowerBI MVP Book y de las
guías oficiales de Migración de SQL Server 2012 y
2014
Actualmente labora para Microsoft como Customer
Engineer en Data & AI

7. Introducción a
Machine Learning

8. Inteligencia Artificial
La capacidad de una computadora para realizar tareas
comúnmente asociadas con seres inteligentes (razonar,
descubrir significado, generalizar, aprender de
experiencias pasadas).
Normalmente comienza como un sistema basado en
reglas o lógica.
Las técnicas tradicionales de IA pueden ser difíciles de
escalar.

9. Inteligencia Artificial
¿Es un pan
o no?
if(esImagenDePerfil) {
if(esRectangular) {
if(tieneFormaCircular) {
if(tieneOrejas) {
return false;
}
else if (tieneOjos) {
return false;
}
else {
return true;
}
}
}
}

10. ¿Qué es Machine Learning?
Con datos conocidos, desarrollar un modelo
para predecir datos desconocidos
Datos conocidos: Observaciones previas, datos
históricos…
Datos desconocidos: Datos ocultos, no
existentes, futuros…
Modelo: Datos conocidos + Algorithms de ML

11. Ejemplo de Machine Learning
¿Es un pan
o no?
Pan
No Pan

12. Algoritmos de Machine Learning
• Aprendizaje supervisado
– A este cliente le gusta el café
– Este tráfico de red indica un ataque DDoS
• Aprendizaje no supervisado
– Estos clientes son similares
– Este tráfico de red es inusual

13. Machine Learning vs
Inteligencia Artificial
Inteligencia
Artificial
Machine Learning
Reglas
Datos
Datos
Respuestas
Respuestas
Reglas

14. IA y ML (y DL)
Artificial
Intelligence
Machine
Learning
Deep
Learning

15. Tareas de Machine Learning
¿Qué
problema
quieres
resolver?
Encontrar
valores
atípicos
• Detección de
anomalías
Predecir un
número
• Regresión
• Predicción
Encontrar
relaciones
• Clustering
Categorizar
elementos
• Clasificación
binaria
• Clasificación
multiclase
• Clasiifcación de
imágenes
Dar
sugerencias
• Recomendación

16. Aplicaciones de Machine Learning

17. Caso de estudio: El color ideal

18. El color ideal para destacar productos

19. ¿Cómo hacer Machine Learning?
Preparar los datos Evaluar
Entrenar Implementar
Entrenamiento del Modelo
Consumo del Modelo
Inferir
Obtener
los datos

20. Obtener los datos
Fuentes de Datos Pipeline Entorno de trabajo Exploración
inicial de Datos

21. Preparar los datos
Exploración de datos Visualización
Limpieza de datos
Preparación de Datos
Normalización
Transformación
Validación
Caracterización

22. Entrenar el modelo
Calificación Anterior
(A-F)
Horas
de Estudio
¿Aprobó?
B 5 Y
D 2 N
A 20 Y
Características Etiqueta
/ Target
F(CalificacionAnterior,
HorasEstudio)
=
Aprobacion
Modelo
Entrenamiento del modelo
Afinación de Hiper-parámetros
Selección del algoritmo
Prueba del modelo

23. Ejemplo #1 de Algoritmo de Machine
Learning: Árbol de Decisión
• Los árboles de decisión son un
algoritmo de ML supervisado muy
utilizado.
• Toma una serie de decisiones en
forma de árbol:
• Las ramas representan decisiones
(condiciones).
• Las hojas nos dan la predicción
que vamos buscando.
• Pueden usarse para resolver
problemas tanto de clasificación
como de regresión.
• Para medir y valorar las decisiones
se usa la Ganancia de
Información o el índice Gini.

24. Ejemplo #2 de Algoritmo de Machine
Learning: Regresión Lineal
• La Regresión Lineal es una
técnica paramétrica utilizada
para predecir variables
continuas dado un conjunto
de variables independientes.
• Si el conjunto de datos sigue
una tendencia, la regresión
arroja resultados cercanos a
la realidad, de lo contrario,
tiene dificultades para
proporcionar una precisión
convincente.

25. Evaluar el modelo
Métricas
de Evaluación
Explicabilidad
Esfuerzo de
Entrenamiento
Evaluación del modelo
Validación del modelo

26. Implementar el modelo
Archivos del Modelo
Destinos de implementación
Implementación del
Modelo
Implementación
Batch scoring

27. Frameworks de Machine Learning

28. Machine Learning con Microsoft
Azure Cognitive Services Azure Machine Learning
WinML

29. Trabajando en Azure
Machine Learning

30. Ciencia de Datos
• La ciencia de datos puede ser demasiado compleja
• El costo de acceder / usar algoritmos de ML eficientes es alto
• Se requiere un conocimiento integral en diferentes
herramientas / plataformas para desarrollar un proyecto de
ML completo
• Es difícil poner la solución desarrollada en una etapa de
producción escalable
• Se necesita un método más simple / escalable:
– Azure Machine Learning Service

31. Azure Machine Learning
Objetivo: Que Machine Learning sea accesible
para todas las empresas, científicos de datos,
desarrolladores, informáticos, consumidores y
dispositivos en cualquier parte del mundo.

32. Azure Machine Learning

33. Notebooks

34. Azure Machine Learning Designer

35. Azure Machine Learning
• Amplia gama de catálogo de algoritmos ML
• Amplíe con scripts de R o Python
• Compartir | Documentar con IPython | Jupyter
• Implementar | Publicar | Escalar rápidamente (API)

36. Construyendo un mundo
cloud-first, mobile-first
Totalmente
administrado
Integrado
Flexible Implemente en
minutos
No es necesario instalar software ni
administrar hardware, todo lo que
necesita es una suscripción a Azure.
Interfaz de arrastrar, soltar y conectar.
Fuentes de datos con solo un menú
desplegable; ejecutar a través de
cualquier dato.
Colección incorporada de algoritmos
sin necesidad de codificación.
Ingrese sus propios scripts de
R/Python o use paquetes populares.
Despliega modelos como servicios
web con un solo clic.
Monetice en el ML Marketplace.

37. Ecosistema de Azure
Machine Learning
Obtén/Prepara
los Datos
Realiza
Experimento
Crea/Actualiza
el Modelo
Evalua el
Modelo
Publica
Servicio
Web
Construye un modelo de ML
Implementa como
Web Service
Provisiona Workspace
Obtén una
suscripción
de Azure
Crea un
Workspace
Publica una Aplicación
Azure Data
Marketplace

38. ¡Gracias!

39. Crea el recurso en Azure

40. Crea el workspace

41. Accede a ML Studio

42. Obtén los datos

43. Carga los datos

44. Crea un nuevo experimento

45. Elige el dataset y añádelo al
experimento

46. Visualiza el dataset

47. Remueve columnas

48. Reemplaza datos faltantes

49. Ejecuta el experimento

50. Define características

51. Separa los datos

52. Elige un algoritmo de ML

53. Entrena el modelo

54. Realiza predicciones

55. Evalua la calidad del modelo

56. Implementa el modelo como
servicio web

57. Prueba el servicio en el portal

58. Prueba el servicio en Excel

59. Prueba el servicio en API

60. Conclusiones

61. Contenido de la asignatura

62. Para aprender más

63. Contenido de la asignatura

64. ¡Gracias!