Machine Learning & Bots
32
Adrià Manzano Jesús López #4Sessions 18 - Junio
-
Upload
techdencias -
Category
Technology
-
view
266 -
download
1
Transcript of Machine Learning & Bots
Adrià ManzanoJesús López
#4Sessions 18 - Junio
Adrià Manzano
@AdriaMJ_
Desarrollador departamento I+D
Jesús López
@Jesuslc91
Desarrollador departamento I+D
DEMO
#4Sessions
Machine Learning
#4Sessions
Aprendizaje automático
¿Qué es?
Una rama de inteligencia artificial
Ramas
• Sistemas que piensan como humanos. Machine learning
• Sistemas que actúan como humanos. Robots
• Sistemas que piensan racionalmente. Sistemas expertos
• Sistemas que actúan racionalmente. Agentes inteligentes
#4Sessions
Objetivo
• Programas capaces de tomar decisiones
• Reentrenarse para aprender
#4Sessions
#4Sessions
Tipos más conocidos
Aprendizaje no supervisado
Tipos más conocidosAprendizaje supervisado
• SVM
• Árboles de decisión
#4Sessions
Tipos más conocidos
Aprendizaje supervisado
• RNA (Deep learning)
#4Sessions
Aplicaciones
Análisis de datos
Análisis de imágenes
• Detección de spam
• Recomendación de productos
• Detección de patrones en imágenes
• Reconocimiento de carácteres
#4Sessions
MNIST
¿Qué es?
¿Quién lo usa?
• Dataset de imágenes
• Números escritos a mano
• Lectores de cheques de banca
• Procesadores OCR
#4Sessions
MNIST¿Cómo funciona?
• Extracción de patrones sobre la imagen
• Cada imagen es interpretada como una gran colección
de números
• Cada imagen tiene un tamaño de 28x28 pixels
• Después de la representación, tenemos un total de 728
números
#4Sessions
MNIST¿Y luego qué?
• Se almacenan los datos en un array de n-dimensiones
• 5500 imágenes de cada número
#4Sessions
MNIST
¿Y qué más?
• Se genera una colección de etiquetas del mismo tamaño
• Los números se representan en 10 bits.
• El numero dos por ejemplo [0,0,1,0,0,0,0,0,0,0]
#4Sessions
MNIST
Siguiente!
• Se aplica un algoritmo de softmax regresión sobre los datos
• El azul representa los pesos positivos.
• El rojo representa los pesos negativos
#4Sessions
MNIST
Hora de entrenar
• Datos ordenados y clasificados
• Generamos nuestro modelo de datos
#4Sessions
MNIST
Resultados
• Enviamos una imagen a nuestro dataset
• [0,0,0,0,0,1,0,0,0,0]
• [1,0,0,0,0,0,0,0,0,0]
• [0,0,0,0,1,0,0,0,0,0]
• [0,1,0,0,0,0,0,0,0,0]
#4Sessions
Reconocimiento facial (PCA)Representación del dataset entrenado
z
x
y
#4Sessions
Reconocimiento facial (PCA)
z
x
y Label 1
Label 2
Label 3
#4Sessions
Reconocimiento facial (PCA)
z
x
y Label 1
Label 2
Label 3
Input data
Distance
#4Sessions
Reconocimiento facial (PCA)
z
x
y Label 1
Label 2
Label 3Input data
Distance
Output data
Label 1 = Adrià Manzano
#4Sessions
Caso real
RentSquare
#4Sessions
Datos
#4Sessions
Algoritmo
Crear el modelo de datos
#4Sessions
Plataformas de ML
#4Sessions
Bots
#4Sessions
Historia
Nick
/NICK adri:micontraseña
Herbie
Bot de conversación
#4Sessions
Conversando con Herbie
#4Sessions
Actualidad
Telegram
@gif “gifname”
Slack
/giphy “gifname”
Skype
“ask”
#4SESSIONS| 18-Junio
