¿Qué es Machine Learning?
El “Machine Learning” (aprendizaje automático) es una rama de la inteligencia artificial que permite que las máquinas aprendan sin programación explícita. Una habilidad indispensable que permite al sistema reconocer patrones entre datos para hacer predicciones. Esta tecnología existe en innumerables aplicaciones, como las recomendaciones de Netflix o Spotify, la respuesta inteligente de Gmail o la voz de Siri y Alexa.
Tipos de Machine Learning
- Aprendizaje supervisado:
Este algoritmo tiene el apoyo de un aprendizaje anterior que se fundamenta en etiquetas y datos que le permiten tomar su decisión o hacer alguna predicción.
- Aprendizaje no supervisado:
Este tipo de aprendizaje es totalmente falto de experiencias o conocimientos previos. Este se encargar de darle forma a todo un conjunto de datos y así poder conseguir un patrón para organizar los datos de forma correcta.
- Aprendizaje mediante el refuerzo:
El algoritmo debe aprender y obtener conocimientos a través de sus propias experiencias. Esto implica que debe tomar las decisiones que considere correcta ante distintas situaciones y todo esto se logra a través de un ensayo y error.
Azure Machine Learning
Azure Machine Learning es una plataforma para realizar predicciones. Consta de herramientas y servicios que le permiten conectarse a los datos para entrenar y probar modelos para encontrar el que prediga con mayor precisión un resultado futuro. Una vez que ha ejecutado experimentos para probar el modelo, puede implementar el modelo y usarlo en tiempo real a través de un punto de conexión de API web.
¿Qué herramientas ofrece Azure Machine Learning?
Azure Machine Learning proporciona todas las herramientas que los desarrolladores y científicos de datos necesitan para sus flujos de trabajo de aprendizaje automático, entre las que se incluyen:
- El diseñador de Azure Machine Learning: módulos de arrastrar y colocar para compilar los experimentos e implementar canalizaciones en un entorno de poco código.
- Cuadernos de Jupyter Notebook: Permite usar cuadernos de ejemplo o crear los suyos propios para aprovechar los ejemplos del SDK para Python para el aprendizaje automático.
- Scripts o cuadernos de R en los que usa el SDK para R para escribir su propio código, o use los módulos de R en el diseñador.
- Many Models Solution Accelerator (versión preliminar) se basa en Azure Machine Learning y permite entrenar, usar y administrar cientos o incluso miles de modelos de Machine Learning.
¿Qué podemos realizar con Azure Machine learning?
- Crear un proceso que defina cómo obtener los datos, cómo tratar los datos que faltan o que son incorrectos, cómo dividir los datos en un conjunto de entrenamiento o en un conjunto de pruebas y cómo enviar los datos al proceso de entrenamiento.
-
Entrenar y evaluar modelos predictivos mediante herramientas y lenguajes de programación conocidos por los científicos de datos.
- Crear canalizaciones que definan dónde y cuándo ejecutar los experimentos de proceso intensivo necesarios para puntuar los algoritmos en función de los datos de entrenamiento y de prueba.
- Implementar el algoritmo de mejor rendimiento como una API en un punto de conexión para que otras aplicaciones puedan consumirlo en tiempo real.
Beneficios de Azure Machine Learning
- No hay un límite de datos establecido para importar datos de los sistemas de almacenamiento y hdfs de Azure.
- Es flexible en cuanto a precios. Simplemente “paga sobre la marcha” por las funciones que utiliza.
- Azure Machine Learning es muy fácil de usar y viene con un conjunto de herramientas menos restrictivas.
- La herramienta Azure tiene muchos datos y algoritmos y ofrece predicciones más precisas.
- La herramienta facilita la importación de datos de entrenamiento y afina los resultados.
- Puede publicar su modelo de datos como un servicio web.
- Ofrece funciones de arrastrar y soltar, y puede conectar estructuras para crear experimentos.
- Las medidas de seguridad de Azure administran la seguridad de Azure Machine Learning que protege los datos en la nube y ofrece monitoreo de seguridad,
Modelos en Azure Machine Learning
En su forma más simple, un modelo es un fragmento de código que toma una entrada y produce una salida. La creación de un modelo de aprendizaje automático implica seleccionar un algoritmo, proporcionarle datos y ajustar los hiperparámetros.
El entrenamiento es un proceso iterativo que produce un modelo entrenado, que encapsula lo que el modelo aprendió durante el proceso de entrenamiento.
La extensión de Machine Learning para Visual Studio Code (versión preliminar) proporciona un entorno de desarrollo completo para crear y administrar proyectos de aprendizaje automático.
Integración con marcos de código abierto como PyTorch, TensorFlow y scikit-learn, entre muchos otros, para entrenar, implementar y administrar el proceso de aprendizaje automático de un extremo a otro.
Equipo redactor
