DevIntersection 2019 Orlando. Domingo 19 de junio

La primera charla que fui a ver en devintersection me pareció muy interesante. El tema ere “Deep learning for developers” con Zoiner Tejara y Ciprian Jichici. Lo que voy a escribir son las ideas que me parecieron mas importantes documentos o links que se presentaron que pueden ser de utilidad para todos.

Lo primero que definieron fue el concepto de Machine learning de una manera muy simple el cual es la capacidad de aprender de las computadoras sin tener que explicarle de manera explicita con un programa. Es decir, que la computara después de datos, un modelo y entrenamiento de los datos ya puede generar sus propios resultados.

Detalles importantes es que el Deep learnig no requiere mucho conocimiento matemático para usarlo. Es una actitud más orientado a la ingeniería. Lo que se requiere es iniciar, probar y probar hasta lograr el resultado esperado.

Debemos de pensar diferente para entrar a este tipo de desarrollo ya que es un nuevo paradigma de hacer las cosas. Ya que primero iniciamos con los datos y las respuestas, luego el modelo debe de entender como hacer para encontrar las respuestas futuras.

Actualmente para trabajar con machine learning (ML) o Deep learning (DL) ocupamos conocimientos en Python.

Aquí algunas de las tecnologías que podemos usar para trabajar DP o ML

• Python
• Azure compute
• Azure storage
• Azure machine learning

El proceso de DL requiere que iniciemos recolectando los datos y preparándolos. Después vamos a tener que entrenar al modelo y evaluarlo. Finalmente se puede publicar el modelo y dependiendo de las necesidades y cambios en los datos se puede regresar a entrenar nuevamente al modelo para mejorar los resultados.

El cambio de los datos puede requerir nuevos entrenamientos para la mejora.

Detalle importante es que podemos usar muchos de los servicios ya existentes para hacer el proceso de DL o ML que existen. Por ejemplo, en Azure ya existen servicios que podemos usar para el reconocimiento y trabajo con las imágenes. Otro servicio que se puede usar es el de texto para evaluar y buscar datos que se requieren.

Si lo que deseamos no está disponible podemos hacer nuestros propios modelos o algoritmos para lograr los resultados, pero lo mejor seria primero investigar que podemos usar y de esta manera ahorra tiempo y dinero. Ahora no tenemos que olvidar que los modelos que ya existen también debemos entrenarlos.

Un 85% del tiempo para este tipo de tareas se va a estar usando en la recolección de datos y la preparación.

Otra herramienta que vamos a usar o podemos usar para nuestro proyecto de DL y ML es Jupyter Notebook. Esta herramienta nos permite escribir código en el browser que se restar ejecutando en el servidor donde tenemos nuestras herramientas de ML. Se puede correr Python, R o SQL. Se pueden hacer ejecuciones paso a paso usando las celdas que son text box en el navegador.

El mundo está buscando más personas que puedan realizar trabajos de ML o DP para las nuevas aplicaciones que se están desarrollando. Por eso es bueno que iniciemos a estudiar más sobre estas herramientas y mejorar nuestras habilidades en este campo.

Pueden visitar la pagina de Solliance donde van a tener mas contenido sobre este tema e información relevante

Otros recursos

Siguiente