18 Sep 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
606954593