Inteligencia artificial y Azure Machine Learning

Inteligencia-artificial-y-Azure-Machine-Learning

Inteligencia artificial y Azure Machine Learning

Actualmente he iniciado una colaboración con una importante consultora de Business Intelligence donde mi labor va a ser, como externo a tiempo parcial, formar y asesorar en materia de inteligencia artificial. Mi labor es doble, por un lado y como Formador externo en Inteligencia artificial mi objetivo es sentar las bases en el equipo de proyectos de los puntos clave que definen un proyecto, siempre desde una visión práctica y de negocio, de manera que ellos lleguen a tener un conocimiento superior tecnicamente al mío. Por otro formar parte como director de proyecto siendo el enlace entre cliente y consultora, apoyandonos en un inicio en tecnologías lideres como puede ser Inteligencia artificial y Azure Machine Learning.

Inteligencia artificial y Azure Machine Learning

En esta colaboración hemos planteado que Microsoft Azure Machine Learning puede ser un punto de partida profesional para abordar los proyectos que puedan llegar a esta consultora, sin cerrar las puertas a otras. Por ello en mi primera fase de formación al equipo trasladare los conceptos de nivel alto de #AI como negocio y como técnicos.

En concreto he planteado el siguiente temario para entrenar al equipo en Inteligencia artificial:

Parte I. Introducción a la inteligencia artificial y Azure Machine Learning

Tema 1. Conceptos fundamentales de la inteligencia artificial.

  • Machine and Deep Learning, sistemas supervisados vs sistemas no supervisados.
  • Concepto de features e hiperparámetros.
  • Conceptos clave como bias, varianza, overfitting, underfitting, función de activación, outliers y crossvalidation.
  • Algoritmos más conocidos. Usos comunes descriptivo, diagnostico, predictivo, clasificatorio, control de fraude (outliers) y recomendadores.
  • Funciones de error y optimización.
  • Conceptos básicos de sistemas cognitivos.
  • Redes neuronales.
  • Training vs test.

Tema 2. Introducción a Azure Machine Learning

  • Acceso y primera impresión del entorno.
  • Componentes de un experimento.
  • Galería.
  • Cinco pasos para crear un experimento.
    • Paso 1. Obtención de los datos.
    • Paso 2. Preprocesado de datos.
    • Paso 3. Definición de features.
    • Paso 4. Elección y aplicación de los algoritmos de machine Learning.
    • Paso 5. Predicción con nuevos datos.
  • Desplegar el modelo en producción.
    • Creamos un experimento predictivo.
    • Publicación.
    • Acceso mediante Azure Machine Learning Web Services.
  • Ejercicio práctico para siguiente semana.

Tema 3. Preparación de la información.

  • Limpieza de datos y procesado.
    • Conocimiento de la información
    • Datos incompletos y valores nulos.
    • Manejar registros duplicados.
    • Detección y eliminado de outliers.
    • Normalización de features.
    • Gestión de clases no balanceadas.
  • Selección de features.
  • Ingeniería de features.
    • Binning data.
  • Ejercicio práctico para siguiente semana.

Tema 4. Integración con R

Tema 5. Integración con Python

Parte II. Estadística y Machine Learning algoritmos en Azure.

Tema 6. Principales algoritmos en Azure.

  • Algoritmos de regresión.
    • Regresión lineal.
    • Redes neuronales.
    • Arboles de decisión.
    • Random Forest.
  • Algoritmos de clasificación.
    • Support Vector Machines.
    • Bayes Point Machines.
  • Algoritmos de clustering.
  • Ejercicio práctico para siguiente semana.

Parte III. Aplicaciones comunes en inteligencia artificial.

Tema 7. Detección de predisposición en la compra de clientes para emailing.

  • Definición del caso de negocio.
  • Adquisición de datos y preparación. Análisis de los datos.
  • Entrenamiento del modelo.
  • Test y validación.
  • Análisis del rendimiento del modelo.
  • Evaluación de las métricas de rendimiento.
  • Ejercicio práctico para siguiente semana.

Tema 8. Visualización de los modelos en PowerBI

Tema 9. Modelos “churn” de clientes.

  • Adquisición de datos y preparación. Análisis de los datos.
  • Entrenamiento del modelo.
  • Modelo de clasificación para la predicción del churn.
  • Test y validación.
  • Análisis del rendimiento del modelo.
  • Evaluación de las métricas de rendimiento.
  • Ejercicio práctico para siguiente semana.

Tema 10. Segmentación de clientes.

  • Uso de k-means.
  • Hashing e identificación de features.
  • Propiedades del clustering generado por k-means.
  • Uso de k-means con volúmenes altos de información.
  • Ejercicio práctico para siguiente semana.

Tema 11. Modelo de predicción de mantenimiento.

  • Entendimiento de los casos de negocio típicos. Predictivo.
  • Adquisición de la información y preparación.
  • Entrenamiento del modelo.
  • Test y validación.
  • Análisis de resultados.
  • Técnicas para mejorar el modelo.
  • Despliegue del modelo.
  • Ejercicio práctico para siguiente semana.

Tema 12. Sistemas de recomendación.

  • Escenarios más comunes en el uso de recomendadores.
  • Adquisición de datos y preparación.
  • Entrenamiento, test y validación del modelo.
  • Ejercicio práctico para siguiente semana.

Tema 13. Sistemas cognitivos en Microsoft.

  • Voice to text
  • Text to voice.
  • ai
  • .net Framework. Integración con ERP y otros sistemas.
  • Ejercicio práctico para siguiente semana.

Tema 13. Deep Learning y redes neuronales.

Tema 14. IA en Finanzas

Tema 15. IA en People Analytics

Conclusiones

La inteligencia artificial ha llegado para quedarse. Con mi doble titulación en #AI obtenida en una importante escuela de datascience puedo liderar y acompañar proyectos Machine and Deep Learning a las necesidades de la empresa. Si su negocio se encuentra ante esta situación contacte conmigo. En concreto y trabajando con un proveedor lider como Microsoft en Inteligencia artificial y Azure Machine Learning el equipo de proyectos puede entender los conceptos y fácilmente migrar a otras plataformas como Google, IBM, etc habiendo consolidados los conceptos de manera sencilla y pragmática, si fuera necesario.

Luis Vilanova Blanco. Experto en inteligencia artificial aplicada al negocio.

luis@luisvilanova.es

www.peritaje.ai

www.cexia.es

606954593



× ¿Cómo puedo ayudarte?