Date post: | 21-Feb-2017 |
Category: |
Software |
Upload: | victor-leonel-orozco-lopez |
View: | 288 times |
Download: | 0 times |
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Getting started with Machine Learning
Vıctor Orozco
Nabenik
22 de noviembre de 2016
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Vıctor Orozco
• Developer -JVM, JS-
• Ex OAS-GCUB
• Dukes Choice Award 2016-GuateJUG-
• CTO/Founder -Nabenik-
• Profesor universitario-Universidad RafaelLandivar-
• @tuxtor
• The J*
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Inteligencia Artificial
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Inteligencia Artificial
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Inteligencia Artificial
• Entender y construir entidades inteligentes.
• Primeros pasos en robotica
• Programas que puedan/sepan reaccionar ante incertezas(CS)
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Ramas clasicas
IAProcesamientode lenguajes
Aprendizajede maquina
y mineriade datos
Vision porcomputador
PlaneamientoRepresentacion
del cono-cimiento
Razonamientoy toma dedecisiones
Strong AI
Robotica
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Ramas clasicas
IAProcesamientode lenguajes
Aprendizajede maquina
y mineriade datos
Vision porcomputador
PlaneamientoRepresentacion
del cono-cimiento
Razonamientoy toma dedecisiones
Strong AI
Robotica
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
¿Porque?
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Motivacion
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Motivacion
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Motivacion
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Motivacion
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Motivacion
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Mejores predicciones
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Inferencia
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Inferencia
• Estadıstica inferencial (Excel, BI)• Regresion de datos• Redes bayesianas
• Aprendizaje de maquina (Sistemas de recomendacion,chatbots)
• Perceptrones• Redes neurales• Clustering• KNN• SNA
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Mejores predicciones
• Venta (Chatbots, sistemas de recomendacion)
• Fidelizacion (Software consciente de contexto, analisis deredes sociales)
• Produccion (Redes neurales, redes bayesianas)
• Analisis (Map-Reduce (aka Big Data))
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Netflix
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Inferencia (retos)
• Problema
• Modelo
• Implementacion
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
1-2-3 Machine Learning
1 Normalizar los datos
2 Crear el modelo
3 Entrenar el modelo
4 Comprobar su funcionamiento
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Que
• Probabilidad
• Estructura
• Conceptos ocultos (Hidden concepts)
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Donde
• Supervised learning (objetivo)
• Unsupervised learning (conceptos ocultos)
• Reinforcement learning (feedback)
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Porque/Para que
• Predicciones
• Diagnostico
• Sumarizaciones
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Como
• Pasivo (Observador)
• Activo
• Offline
• Online
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Salida
• Clasificacion (Binario)
• Regresion (Continuo)
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Detalles
• Generativo (Generalizaciones)
• Discriminativo (Distinguir)
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Navaja de Occam
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Navaja de Occam
”Pluralitas non est ponenda sine necessitate””Plurality is not to be posited without necessity”
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Navaja de Occam (Espanol)
Cuando se tienen dos teorias que obtenen las mismaspredicciones, generalmente la mas simple es la mejor
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Bibliotecas
Principales
• DeepLearning4J https://deeplearning4j.org/
• BID Data Projecthttp://bid2.berkeley.edu/bid-data-project/
• Neurophhttp://neuroph.sourceforge.net/index.html
• Smile http://haifengl.github.io/smile/
Complementarias
• Commons Mathhttp://commons.apache.org/proper/commons-math/
• Eclipse Collectionshttps://www.eclipse.org/collections/
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Paas
• AmazonMLhttps://aws.amazon.com/machine-learning/
• Bluemix - Watson https:
//www.ibm.com/cloud-computing/bluemix/watson
• Oracle Advanced Analytics https://www.oracle.com/
database/advanced-analytics/index.html
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Demo
1 Mamiferos
2 Aves
3 Sangre fria
4 Pez
5 Anfibios
6 Insectos
7 Maritimo
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Demo
1 Cabello
2 Plumas
3 Huevos
4 Leche
5 Volador
6 Acuatico
7 Depredador
8 Dientes
9 Columna vertebral
10 Respira
11 Venenoso
12 Aletas
13 Cantidad piernas
14 Cola
15 Domestico
16 ”Tamano gato”
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
JRiskSimulator
• Problema: Mejorar las recomendaciones en ISO 27001
• Modelo: Clasificacion inmediata mediante analisis deredes sociales
• Implementacion: JGraph + JUNG + Commons Math +Java FX
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
JRiskSimulator
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Medmigo
• Problema: Adaptar la recomendacion de un profesional deacuerdo a las recomendaciones de mis amigos
• Modelo: Clasificacion inmediata mediante perceptrones+ Analisis de redes sociales
• Implementacion: Neuroph + Commons Math + LuceneSearch + Java EE
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Medmigo
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
SGB - Bible Generation
• Problema: Indexar n cantidad de biblias en unmetabuscador que soporte ”palabras parecidas”
• Modelo: Binary tree + Tokenization + Levenshteindistance + Lazy data fetch
• Implementacion: Lucene Search + Java EE
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
SGB - Bible Generation
Gettingstarted with
MachineLearning
Vıctor Orozco
Introduccion
InteligenciaArtificial
Motivacion
Aprendizaje
Modelo
Implementacion
Demo
Experienciasprevias
Fin
Gracias
• http://vorozco.com
• http://github.com/tuxtor/slides
This work is licensed under a Creative CommonsAttribution-ShareAlike 3.0 Guatemala License.