16

¿Cómo empezar a usar Machine Learning en tus proyectos?

758Puntos

hace 5 años

Cada vez es más común que todos los productos y servicios con los que interactuamos día con día tengan un componente de Machine Learning (ML). Al mismo tiempo, conseguir un nivel de experiencia considerable en ML es difícil y toma tiempo. Nosotros como desarrolladores estamos siendo presionados para empezar a usar ML en aplicaciones web, nativas y dispositivos inteligentes, por nombrar algunos.

Si apenas vas empezando o tienes experiencia desarrollando modelos de ML, las nubes modernas proveen diferentes maneras para que puedas utilizar ML, sin importar tu nivel de experiencia, y a veces sin barrera de entrada conceptual.

Por lo general las nubes modernas cuentan con una oferta robusta, que va desde servicios que resuelven tareas genéricas y tienen un nivel de entrada técnico muy bajo, hasta servicios que te permite entrenar y servir modelos hechos a la medida.

Hoy por hoy, la nube de Google cuenta con 4 niveles.

ML1.png

Nivel 1: ML API’s
El primer nivel son las API’s de ML, que nos permiten solucionar problemas genéricos como traducción, procesamiento de lenguaje natural y procesamiento de imagen. Casos de uso frecuentes son la categorización de librerías de contenido, análisis de sentimiento y detección de contenido explícito.

Nivel 2: ML API’s con tus datos
El segundo nivel es AutoML, que te permite utilizar los mismos modelos pre-entrenados para procesamiento natural de lenguaje, visión computarizada y traducción, pero con la particularidad de que puedes entrenar a los modelos con tus propios datos gracias al aprendizaje supervisado. Esto te permite generar un conocimiento un poco más específico con poca curva de implementación.

Nivel 3: Modelos de regresión
El tercer nivel es BigQueryML. La famosa herramienta para análisis de datos masivos ahora nos permite crear, evaluar y consumir modelos de ML utilizando sentencias SQL. Con BigQueryML puedes crear dos tipos de modelos.

El primero es para regresión lineal y te permite hacer ‘forecasting’. Un buen caso de uso para un modelo de regresión lineal sería tratar de determinar el número de usuarios que van a adquirir una suscripción de Platzi el siguiente mes.

El segundo es para regresión logística binarias y como su nombre lo indica te permite predecir si algo va a suceder o no. Un buen caso de uso para un modelo de regresión logística binaria sería tratar de predecir si un usuario renovará su suscripción de Platzi el año entrante.

Lee también: Machine Learning vs. Deep Learning

Nivel 4: Modelos a la medida
Si ya cuentas con experiencia desarrollando modelos de ML utilizando frameworks populares como TensorFlow o Scikit Learn, Cloud ML Engine te permite entrenar y servir modelos de ML en la nube. Entre los beneficios de usar Cloud ML Engine destacan tiempos de entrenamiento altamente reducidos, administración mínima de la infraestructura necesaria para servir modelos de ML y escalamiento infinito.

Conclusión
Sin importar en qué nivel te encuentras hoy, las nubes modernas como Google Cloud Platform te dan herramientas para que puedas usar ML hoy siguiendo los pilares de la nube:

ML2.png
Pablo
Pablo
pablovilla83

758Puntos

hace 5 años

Todas sus entradas
Escribe tu comentario
+ 2
2
21608Puntos

Los datos que subo para entrenar cualquier modelo de ML, ¿Le pertenecen a Google? ¿Qué hay de los costos, son por transacción, conjunto de datos? Saludos.