Machine Learning y Deep Learning en AWS - Javier Ros - Amazon S3
←
→
Transcripción del contenido de la página
Si su navegador no muestra la página correctamente, lea el contenido de la página a continuación
Machine Learning y Deep Learning
en AWS
Javier Ros
Solutions Architect
21/09/2017
© 2016, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
Agenda ¿Qué es Machine Learning? ¿Y Deep Learning? Casos de uso Amazon AI
Naive Bayes ¿Qué es Machine Learning?
¿Estará interesado en este nuevo producto?
Opción 1- Construir una aplicación
Programador
Humano
Entrada Salida
Edad Género Fecha Elem.
compra Edad Género Fecha Elem.
Regla 1: 15
¿Y si tenemos cientos de parámetros de entrada?
Edad Género Fecha Elem. Precio Visitado Tam …
compra año
30 M 3/1/2017 Juguete 18 S 10 .. ¿Cómo los analizamos?
40 M 1/3/2017 Libros 23 S 25 ….
¿Cuántas reglas necesitamos?
…. …… ….. …..
¿Cómo nos adaptamos a los cambios?
Un modelo es una función que divide el espacio
¿Cuál es mi color?
¿Y cuál es el mío?
Datos históricos Construcción del Predicción
modelo
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 Elem.
compra
30 M 3/20/2017 Juguete
Algoritmo de Predicción
Modelo
40 M 1/3/2017 Libros aprendizaje
…. …… ….. …..
Histórico de compras a*edad + b*fecha + … 3*edad + 2*fecha + … Salida
(Training Data)
Llamamos a esta aproximación Machine
Learning
Algoritmo de aprendizaje
Calcula la función matemáticaCómo aprende la máquina
Human intervention and validation required
e.g. Photo classification and tagging
Training Data Ajustar el modelo
Entrada
Algoritmo
?
Machine Predicción Etiqueta
Learning
Perro Etiqueta Gato Perroconvolutional neural network ¿Y Deep Learning?
Cada vez tenemos más datos
Eda Género Fecha Elem. Precio Alt AH Pi Rest Ter Zo3 Ancho Prof Pola Pir Tare V5 R3 Lot Cert Curt
d compra
30 M 3/20/2017 Juguete 12 345 54 72 1232 1234 15 257 3 75 2 324 23457 752 4236 54 362
40 M 1/3/2017 Libros 63 43 563 7 3 54 82 83 745 4 57 262 2574 623 45 23 362
30 M 3/20/2017 Juguete 12123 456 5 1 13 4 457 7 134 272 86 23457 2374 7 162 2346 36
30 M 3/20/2017 Juguete 1234 543 45 5 64 543 83 7 674 35 73 136 65 345 3 645 324
30 M 3/20/2017 Juguete 12345 264 112 5 4643 3 436 3568 75 73 82 614 3246 346 7 234 342
30 M 3/20/2017 Juguete 435 164322 867 1 14 9 722 122 4 0 27 761 36 24 4 36 346
30 M 3/20/2017 Juguete 65 1642 67 6 74 0 32 75 42 6 372 274 36 3425 2 6 1264
…. …… ….. ….. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. ….
¿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¿Porqué es mejor tener más datos? Menos datos Más datos Muchos más datos
Necesitamos funciones más complejas
Función matemática
Entrada SalidaCapas de la red neuronal
Clasificación Predicción
Detección del objeto
Extracción
Detección de partes
(Combinando las aristas)
Detección de aristas
Píxeles de la imagenAnálisis de los datos
Machine Learning Tradicional
Análisis a
Entrada mano de los Modelado Salida
datos
Deep Learning
Entrada Capa 1 Capa 2 Modelado SalidaRendimiento
Rendimiento Deep Learning
Algoritmos de Machine
Learning Tradicionales
DatosPero esto parece muy complejo
Amazon AI Intelligent Services Powered By Deep Learning
Casos de uso
Stanford Detección precoz en Complicaciones Diabéticas
Consultas usando Lenguaje natural
Búsqueda visual Pinterest
Recomendaciones y Ranking en Netflix
Ranking personalizado,
generación de las páginas,
búsqueda, ratings, …
En 130 países
simultáneamenteAmazon AI
Amazon AI: Artificial Intelligence
Amazon Amazon Amazon
Rekognition Polly Lex AI Services
Amazon
Machine Learning
EMR & Spark AI Platform
Apache
MXNet
TensorFlow Caffe Torch Theano CNTK Keras AI EnginesRekognition: Buscar y entender contenido visual
Análisis de
Detección de Detección de caras Análisis facial Búsqueda facial
imágenes en
objetos y escenas
tiempo real y por
lotesPolly: Servicio para convertir texto a voz
Convierte texto a Totalmente 47 voces 27 idiomas Baja latencia,
voz gestionado tiempo real
Amazon ConfidentialLex: Construye interacciones en voz y texto
Voz & Texto Alimenta Interacciones de voz Interacción en texto Enterprise
“Chatbots” Alexa en móviles, web con Slack & Messenger Connectors
& dispositivos Salesforce
Microsoft Dynamics
Marketo
Zendesk
Quickbooks
Hubspot
Más información en la sesión:
“Inteligencia artificial y Bots en AWS”
Amazon ConfidentialAWS Deep Learning AMI: One-Click Deep Learning
Hasta 40,000 Apache Python 3 Notebooks
CUDA Cores MXNet & Ejemplos
y Tensorflow
Caffe2
Torch
Keras
Theano
CNTK• 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
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')¿Cómo empezar? Amazon AI: https://aws.amazon.com/amazon-ai/ Crear una instancia usando la AMI de Deep Learning Probar los tutoriales y ejemplos de MXNet Blog: https://aws.amazon.com/blogs/ai/ Síguenos en Twitch: https://www.twitch.tv/aws
¡Gracias!
#AWSSummit
Síguenos en Twitter: @awscloud_esTambién puede leer
