20180421 gab azure_ai_services
•Download as PPTX, PDF•
0 likes•42 views
Este documento describe los servicios de inteligencia artificial de Azure, incluyendo Cognitive Services, Machine Learning Services y Azure Bot Services. Explica conceptos como aprendizaje automático, aprendizaje profundo y refuerzo, así como algoritmos y herramientas de ML. También presenta ejemplos de uso como clasificación, regresión, modelos cognitivos y predicción.
Recommended
Recommended
More Related Content
Similar to 20180421 gab azure_ai_services
Similar to 20180421 gab azure_ai_services (20)
More from Ricardo González
More from Ricardo González (20)
Recently uploaded
Recently uploaded (15)
20180421 gab azure_ai_services
- 1. Azure AI: Servicios de Inteligencia Artificial para Escenarios Reales Ricardo Gonzalez Vargas Microsoft Regional Director CEO - Androcial Media Inc / womyads.com CTO – Zylo Blockchain @rgonv – rgonv@hotmail.com
- 2. Inserte la foto aquí Ricardo Gonzalez Vargas androcial.com linkedin.com/in/ricardogonzalezvargas @rgonv rgonv@Hotmail.com Microsoft Regional Director CEO – Androcial Media Inc. CTO – Zylo Blockchain.
- 3. Quien les Habla? BlockchainMachine LearningCloud Architecture
- 4. Agenda •Relación AI – ML – RL – DL •Aproximaciones de aprendizaje •Servicios provistos por Azure AI •Escenarios de uso
- 5. AI vs ML vs RL vs DL • AI : Dispositivos diseñados para actuar de manera inteligente • ML: Lograr que la maquina actúe sin haberla programado explícitamente para ello • RL: Buscar automáticamente características relevantes de la información • DL: encadena múltiples niveles para representar jerarquías de abstracción
- 6. Aproximaciones para ML • Aprendizaje Supervisado o Inductivo Los datos de entrenamiento incluyen la salida deseada • Aprendizaje No Supervisado Los datos de entrenamiento no incluyen la salida deseada • Aprendizaje Semi-supervisado Los datos de entrenamiento incluyen algunas salidas • Aprendizaje de Refuerzo Recompensas a partir de una secuencia de acciones
- 7. Supervisado vs No supervisado 6. Seleccion ar el mejor modelo 5. Evaluar resultado s. Volver a 3? 4. Aplicar algoritmo s en los datos 3. Construir el Modelo 2. Dividir en entrenami ento y prueba 1. Limpiar y complem entar datos 0. Datos Evaluar Grupos Aplicar Algoritmos Datos
- 8. Linealidad
- 9. Linealidad
- 10. Regresión Lineal
- 12. Arboles, Junglas y Bosques de decisión
- 13. Redes neuronales y perceptrones
- 15. Principal Component Analysis - PCA
- 16. Clustering
- 18. Aprendizaje de refuerzo Ejemplos • Q- learning • Deep Q – learning • Hierarchical learning
- 19. AI en Azure Servicios Infraestructura Herramientas
- 20. Servicios de Azure AI •Cognitive services •Machine Learning Services •Azure Bot Services
- 21. Azure Cognitive Services Azure Cognitive Services Vision Voz LenguajeConocimiento Búsqueda
- 22. Azure Cognitive Services Vision • Computer Vision API • Condense información de aplicación práctica a partir de imágenes • API de reconocimiento facial • Detecte, identifique, analice, organice y etiquete caras en las fotos • Content Moderator • Moderación automatizada de imágenes, texto y vídeo • Emotion API • Personalizar las experiencias de usuario con el reconocimiento de emociones • Custom Vision Service • Personalice fácilmente los novedosos modelos de visión artificial para adaptarlos a su caso particular • Video Indexer • Obtenga conocimiento de sus vídeos Voz • Translator Speech API • Realice fácilmente una traducción de voz en tiempo real con una llamada a la API de REST sencilla • Speaker Recognition API • Use la voz para identificar y autenticar a los hablantes individuales • Bing Speech API • Convertir voz en texto y viceversa para comprender la intención del usuario • Custom Speech Service • Elimine las barreras del reconocimiento de voz, como el estilo de habla, el ruido de fondo y el vocabulario
- 23. Azure Cognitive Services Lenguaje • Language Understanding (LUIS) • Enseñe a las aplicaciones a entender los comandos de sus usuarios • Text Analytics API • Evaluar fácilmente las opiniones y temas para comprender lo que los usuarios quieren • Bing Spell Check API • Detecte y corrija errores ortográficos en las aplicaciones • Translator Text API • Realice fácilmente una traducción automática con una llamada a la API de REST sencilla • Web Language Model API • Aprovechar el potencial de los modelos de lenguaje predictivos entrenados con datos de escala web • Linguistic Analysis API • Simplifique los conceptos complejos del lenguaje y analice texto con Linguistic Analysis API. Búsqueda • Bing Autosuggest API • Dote a su aplicación de opciones de sugerencia automática inteligente para las búsquedas • Bing Image Search API • Busque imágenes y obtenga resultados completos • Bing News Search API • Busque noticias y obtenga resultados completos • Bing Video Search API • Busque vídeos y obtenga resultados completos • Bing Web Search API • Obtenga detalles de búsqueda mejorados de miles de millones de documentos web • Bing Custom Search API • Una herramienta comercial fácil de usar y sin anuncios que permite ofrecer los resultados que desea • Bing Entity Search API • Cree experiencias enriquecidas con información de entidades de la Web
- 24. Azure Bot Service • Permite construer, conectar y desplegar bors para interactuar naturalmente con los usuarios.
- 25. Herramientas para AI •Machine Learning Studio •Azure Machine Learning Workbench •Visual Studio Tools for AI •Azure Notebooks •Kit de herramientas de IA para Azure IoT Edge •CNTK
- 26. Machine Learning Algorithms Algorithm Binary Classification in Azure ML Multiclass Classification in AzureML Regression in Azure ML Logistic Regression Two-class logistic regression Multiclass Logistic Regression Linear Regression Linear Regression Support Vector Machine Two-class support vector machine One-vs-all + support vector machine Decision Tree Two-class boosted decision tree One-vs-all + boosted decision tree Boosted decision tree regression Neural Network Two-class neural network Multiclass neural network Neural network regression Random Forest Two-class decision forest Multiclass decision forest Decision forest regression
- 27. Azure Portal Azure Ops Team ML Studio Data analyst HDInsight Azure Storage Desktop Data Azure Portal & ML API service PowerBI/DashboardsMobile AppsWeb Apps ML API service Developer
- 28. Azure ML
- 29. Escenarios de uso – Azure AI •Clasificacion •Regresion •Modelos cognitivos •Prediccion •HMI
- 30. Servicios + Tools + Infraestructura
- 31. Demo
- 32. Preguntas?
- 33. Azure AI: Servicios de Inteligencia Artificial para Escenarios Reales Ricardo Gonzalez Vargas Microsoft Regional Director CEO - Androcial Media Inc / womyads.com CTO – Zylo Blockchain @rgonv – rgonv@hotmail.com
- 34. Muchas Gracias
Editor's Notes
- Let’s walk through how a machine learning solution comes to life, from setting up the environment to extracting insight. First, The Azure ops team, maybe already accustomed to managing storage accounts or provisioning Azure virtual machines, can get a machine learning environment set up right from the Azure Portal. They start by creating an ML Studio workspace and dedicated storage account to get their data scientists up and running. <click> When the Azure Ops team sets up the data scientist, she’ll get an email to her Windows Live account that gives her one-click to get started. The data scientist will then spend her time in ML Studio. From there, she can execute every step in the data science workflow. She can access and prepare data Create, test and train models, as well as import her company’s proprietary models securely into her private workspace Work with R and over 300 of the most popular R packages along with Microsoft’s business class algorithms Collaborate with colleagues within the office or across the globe as easy as clicking “share my workspace” Deploy models within minutes rather than weeks or months <click> And the data scientist has her choice of what data she wants to pull into her models. She can access data already in Azure, query across Big Data in HDInsight, or pull datasets in right from her desktop. <click> Once the data scientist is ready to publish, she signals the Azure Ops team. This is when tested models become available to developers via the API service. <click> The Azure ops team then uses the ML API service to deploy the model in minutes, making it accessible to developers. <click> The developer can surface the model in apps, by simply grabbing auto-generated code and dropping it in. Then business users can access results, from anywhere, on any device. And any model updates simply refresh the model in production with no new development work needed.