Entrenamiento de modelo en Watson Studio

Como beneficiario del programa mintic este es mi cuarto de 5 cursos de la ruta, buena parte de las personas de este programa son personas que tienen nulo o poco conocimiento sobre la programacion y la ciencia de datos y sin duda esta clase puede ser un antes y un despues, sin embargo, considero conveniente recomendar que aunque la tecnologia pone a nuestra disposicion este tipo de herramientas sencillas de usar, siempre va a ser importante el fundamento teorico y conocimiento de lo que pasa por detras, otra cosa es tener tiempo para realizar esta clase, ya que el deployment a mi me tardo casi 2 horas.

Veo varios comentarios de personas que vienen del programa de MinTic, a ellos les recomiendo realizar la ruta completa de Inteligencia Artificial y Machine Learning. 👍
https://platzi.com/ai/

Super importante ese concepto de Sesgo ético de las predicciones. Para tenerlo muy en cuenta.

Hay una diferencia en el proceso realizado por el profesor, después de hacer el paso de churn_entrenado se debe ingresar en la opción Promocionar al espacio de despliegue dentro del churn_entrenado, ingresar un objetivo y seleccionar opción ascender. Aparecerá el siguiente mensaje: Se ha promocionado correctamente Churn_Entrenado al espacio de despliegue asociado. Vaya al espacio de despliegue para preparar los activos para el despliegue. En el menú de la izquierda también se encuentra la opción espacio de despliegue.
Ingresar al vínculo espacio de despliegue y al churn_entrenado que se creó anteriormente, posteriormente ingresar a la opción crear despliegue. En este punto también va a pedir crear el servicio de Machine Learning que el profesor creó en un paso anterior. Luego se puede continuar con el proceso como lo menciona el profesor en el video.

creo que me enamoré del señor Watson Studio…

Watson Modeler flows in Watson Studio provide an interactive environment for quickly building machine learning pipelines that flow data from ingestion to transformation to model building and evaluation, without needing any code.

A continuación un comentario flame.

Creo que siempre y cuando el modelo se haya entrenado con suficientes datos provenientes de todas las poblaciones no se incurre en discriminación (eticamente hablando). para la máquina F y M son solo categorías. Pensemos en un modelo de salud; ingnorar el sexo o el número de hijos resultará en un modelo incompetente; No nos podemos dar el lujo de ser políticamente correctos en estos casos.

Fin de la flame
Solo estoy siendo objetivo.

Excelente clase siguiendo todos los pasos al tiempo, hay que ser pacientes mientras cargan los modulos el profe los adelanta para no demorar en la sesion de clase

La ética es muy importante

Es muy interesante ver cómo se pueden crear modelos sin necesidad de código. Muy interesante además la forma de testear el modelo directamente con el servicio de Watson Studio.

Excelente clase!! He tenido estado trabajando un poco en modelos de machine learning y esta herramienta sí que deja todo en bandeja!.

Mil gracias por la explicación teórico-práctica.

Nota: Para el despliegue, los pasos a fecha de hoy (13/09/2020) son ligeramente diferentes. Toca crear un espacio de despliegue, enviar el modelo al espacio de despliegue, ir al espacio de despliegue y desplegar el modelo. Es realmente intuitivo y se llega al mismo punto final. Un saludo!!

Excelente esta clase. Les recomiendo dos herramientas si están interesados en saber más sobre análisis de datos:
La primera es “Orange” que es un software para crear modelos con una interfaz gráfica muy bonita, muy similar al que usa Isaac en este video. Búsquenlo como “orange machine learning” en Google.
La segunda es “Google Colaboratory” que es un plugin de Drive para tener un Jupyter Notebook en Drive justamente y programar en Python sin necesidad de instalar nada en su computador. No sé si funciona para R. Yo lo he usado para programar modelos de análisis de datos y entender más cómo funciona la disciplina. Saludos!

En machine learning, existe el sesgo certeza ,es decir que tanto será la certeza de nuestro modelo y el otro sesgo es el ético, que es el que busca evitar sea tomadas decisiones discriminatorias, como decisiones basadas en género, número de hijos, religión u otros. Para medir este ultimo sesgo tambien hay en IBM un opción watson openscale.

A ponerlo en práctica

Excelente clase. Explicación de 10. Muy interesante lo de los sesgos, hay que tenerlos muy en cuenta.

Muy interactivo el WatsonStudio, de igual manera hay que tener los conceptos de algoritmos de ML para comprender los resultados, como el target, el sesgo y los datos.

Es curioso, los hombres con 15000 pueden seguir. Y las mujeres apartir de 45.000

Es curioso apartir de 45.000 segun los resultados puedo dejar la empresa.

Importante no reproducir esos patrones de discriminación, que bien que se hagan las anotaciones pertinentes para tener en cuenta.

Los conocimientos que he adquirido en este curso ha sido espectacular, gracias profe Dios le siga bendiciendo y respaldando

Tremenda clase, super práctica.

No olviden en type , agregar el target.

Que buena clase, gracias profe por tan excelente explicación!!

Excelente Clase, de las más interesantes del curso

Sii una clase excelente, pero veo que la plataforma de IBM a tenido actualizaciones y hay unas metodologias que como hacer las cosas que son diferentes.