Machine Learning y Deep Learning en AWS

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Machine Learning y Deep Learning en AWS"

Inés Castillo de la Cruz
hace 5 años
Vistas:

2 Agenda Qué es Machine Learning? Y Deep Learning? Casos de uso Amazon AI

3 Naive Bayes Qué es Machine Learning?

4 Estará interesado en este nuevo producto?

5 Opción 1- Construir una aplicación Programador Humano Entrada Edad Género Fecha compra Elem. 30 M 3/1/2017 Juguete 40 M 1/3/2017 Libros..... Regla 1: 15 <edad< 30 Regla 2: Compró Juguete=Y Regla 3: Última compra < 30 días Regla 4:.. Regla 5:.. Salida Edad Género Fecha compra Elem. 30 M 3/1/2017 Juguete.....

6 Y si tenemos cientos de parámetros de entrada? Edad Género Fecha compra Elem. Precio Visitado Tam año 30 M 3/1/2017 Juguete 18 S 10.. Cómo los analizamos? 40 M 1/3/2017 Libros 23 S Cuántas reglas necesitamos? Cómo nos adaptamos a los cambios?

7 Un modelo es una función que divide el espacio Cuál es mi color? Y cuál es el mío? Datos históricos Construcción del modelo Predicción

8 Opción 2 Aprender las reglas de negocio de los datos Entrada Nuevos datos Edad Género Items 35 F Juguete 39 M Juguete Edad Género Fecha compra Elem. 30 M 3/20/2017 Juguete 40 M 1/3/2017 Libros Algoritmo de aprendizaje Modelo Predicción..... Histórico de compras (Training Data) a*edad + b*fecha + 3*edad + 2*fecha + Salida

9 Llamamos a esta aproximación Machine Learning

10 Algoritmo de aprendizaje Calcula la función matemática

11 Cómo aprende la máquina Human intervention and validation required e.g. Photo classification and tagging Training Data Ajustar el modelo Entrada Algoritmo Machine Learning Predicción? Etiqueta Perro Etiqueta Gato Perro

12 convolutional neural network Y Deep Learning?

13 Cada vez tenemos más datos Eda d Género Fecha compra Elem. Precio Alt AH Pi Rest Ter Zo3 Ancho Prof Pola Pir Tare V5 R3 Lot Cert Curt 30 M 3/20/2017 Juguete M 1/3/2017 Libros M 3/20/2017 Juguete M 3/20/2017 Juguete M 3/20/2017 Juguete M 3/20/2017 Juguete M 3/20/2017 Juguete Qué pasa con los algoritmos tradicionales cuando tenemos muchas más columnas y datos? Requieren un análisis de cada columna La exactitud no mejora a pesar de tener muchos más datos

14 Porqué es mejor tener más datos? Menos datos Más datos Muchos más datos

15 Necesitamos funciones más complejas Función matemática Entrada Salida

16 Capas de la red neuronal Clasificación Predicción Detección del objeto Extracción Detección de partes (Combinando las aristas) Detección de aristas Píxeles de la imagen

17 Análisis de los datos Machine Learning Tradicional Entrada Análisis a mano de los datos Modelado Salida Deep Learning Entrada Capa 1 Capa 2 Modelado Salida

18 Rendimiento Rendimiento Deep Learning Algoritmos de Machine Learning Tradicionales Datos

19 Pero esto parece muy complejo

20 Amazon AI Intelligent Services Powered By Deep Learning

21 Casos de uso

22 Stanford Detección precoz en Complicaciones Diabéticas

24 Consultas usando Lenguaje natural

25 Búsqueda visual Pinterest

26 Recomendaciones y Ranking en Netflix Ranking personalizado, generación de las páginas, búsqueda, ratings, En 130 países simultáneamente

29 Amazon AI

30 Amazon AI: Artificial Intelligence Amazon Rekognition Amazon Polly Amazon Lex AI Services Amazon Machine Learning EMR & Spark AI Platform Apache MXNet TensorFlow Caffe Torch Theano CNTK Keras AI Engines

31 Rekognition: Buscar y entender contenido visual Análisis de imágenes en tiempo real y por lotes Detección de objetos y escenas Detección de caras Análisis facial Búsqueda facial

32 Polly: Servicio para convertir texto a voz Convierte texto a voz Totalmente gestionado 47 voces 27 idiomas Baja latencia, tiempo real Amazon Confidential

33 Lex: Construye interacciones en voz y texto Voz & Texto Chatbots Amazon Confidential Alimenta Alexa Interacciones de voz en móviles, web & dispositivos Más información en la sesión: Inteligencia artificial y Bots en AWS Interacción en texto con Slack & Messenger Enterprise Connectors Salesforce Microsoft Dynamics Marketo Zendesk Quickbooks Hubspot

34 AWS Deep Learning AMI: One-Click Deep Learning Hasta 40,000 CUDA Cores Apache MXNet y Tensorflow Caffe2 Torch Keras Theano CNTK Python 3 Notebooks & Ejemplos

Flexible - Suporta programación imperativa y simbólica Portable Se ejecuta en CPUs ó GPUs, en clusters, servidores, escritorios o móviles Múltiples lenguajes - C++, Python, R, Scala, Julia, Matlab

35 Flexible - Suporta programación imperativa y simbólica Portable Se ejecuta en CPUs ó GPUs, en clusters, servidores, escritorios o móviles Múltiples lenguajes - C++, Python, R, Scala, Julia, Matlab and Javascript, Perl Distribuido en el Cloud - Soporta entrenamiento distribuido on multiples máquinas con CPU/GPU Optimizado para el rendimiento Backend C++ optimizado para paralelizar tanto I/O como computación Soporta gran cantidad de modelos - CNN, RNN/LSTM

sym.activation(data=fc2, act_type="relu") fc3 = mx.sym.fullyconnected(data=act2, num_hidden=10) mlp = mx.

36 Deep Learning sin matemáticas data = mx.sym.var('data') data = mx.sym.flatten(data=data) fc1 = mx.sym.fullyconnected(data=data, num_hidden=128) act1 = mx.sym.activation(data=fc1, act_type="relu") fc2 = mx.sym.fullyconnected(data=act1, num_hidden = 64) act2 = mx.sym.activation(data=fc2, act_type="relu") fc3 = mx.sym.fullyconnected(data=act2, num_hidden=10) mlp = mx.sym.softmaxoutput(data=fc3, name='softmax')

37 Cómo empezar? Amazon AI: Crear una instancia usando la AMI de Deep Learning Probar los tutoriales y ejemplos de MXNet Blog: Síguenos en Twitch:

38 Gracias! #AWSSummit Síguenos en

Documentos relacionados

Deep Learning Software Frameworks

Deep Learning Software Frameworks Deep Learning interest Group, CCC, INAOE Leonardo Chang, Nelson Méndez y Leyanis López Centro de Aplicaciones de Tecnologías de Avanzada (CENATAV), La Habana, Cuba Mayo