Retail Store en Google Cloud Platform

1

Lo que aprenderás sobre GCP para ecommerce

2

Etapas clave y MLOps

3

Arquitectura de alto nivel

4

Tour de la aplicación de retail

5

Backend as a Service y modelo de seguridad

6

Introducción al proyecto

7

Medición de interacciones

8

Setup de Google Tag Manager

9

Etiquetando con Google Tag Manager

10

Etiquetas relevantes para CLV

11

Integración con servicios

Exposición de servicios con Apigee

12

Servicios expuestos con APIs

13

¿Qué son las APIs?

14

Apigee

15

Creación de tu primer API Proxy en Apigee

16

Administración de APIs con Apigee

17

Creando un portal de desarrolladores

18

Interactuando con el portal de desarrolladores

19

Insights to Actions

Generación de modelos AI/ML

20

Machine Learning con datos estructurados

21

BigQuery para modelos de Forecasting y LTV

22

Bigquery ML - Manos a la Obra

23

Auto ML vs. Bigquery ML

24

Consideraciones para entrenar un modelo en BigQueryML

25

Entrenamiento del modelo en BigQuery ML

26

Cómo exportar modelos hechos en BQML

27

Exportando un modelo hecho con BQML

Consumo de servicios de AI/ML

28

Cómputo Serverless y Contenedores

29

¿Qué es Kubernetes?

30

Consumo de modelos ML mediante BigQuery API

31

Almacenamiento de predicciones

32

Ejecución de predicciones y persistencia

33

Despliegue continuo con Cloud Run

34

Ejecución de despliegue con Cloud Run

35

Escalamiento de servicios en Cloud Run

36

AuthN y AuthZ con Cloud Run

Google Marketing Platform

37

Análisis de las predicciones

38

Segmentamos nuestras Predicciones

39

Caso práctico para definir tu estrategia de activación

40

Generemos nuestros modelos en la plataforma

41

Segmentamos nuestras audiencias en BigQuery

42

Carga tus audiencias y conecta tu medio de activación

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Machine Learning con datos estructurados

20/42
Recursos

¿Por qué es importante trabajar con datos estructurados en Machine Learning?

En el mundo del aprendizaje automático, los datos son el motor que impulsa las predicciones y decisiones inteligentes. Sin ellos, el machine learning sería una teoría sin aplicación práctica. La importancia de trabajar con datos estructurados radica en la posibilidad de aplicar técnicas de inteligencia artificial de una manera más precisa y efectiva. Los datos estructurados, como tablas y registros, son el componente más crítico porque permiten entender y modelar la información de manera que se pueda predecir y optimizar.

  • Identificación del problema: Es crucial reconocer el tipo de problema que enfrentamos para poder recolectar y estructurar la información relevante.
  • Calidad y comprensión de datos: Entender el tipo de datos que se tiene es vital para la creación de modelos precisos.
  • Iteración y ajuste del modelo: Inicialmente, es probable que los resultados no sean los esperados, lo que requerirá del refinamiento y parametrización del modelo.

¿Qué tipos de datos existen en Machine Learning?

La diversidad de datos en machine learning se manifiesta en su distinta naturaleza, ya sean estructurados, como tablas, o no estructurados, como texto e imágenes. Reconocer y clasificar estos formatos es esencial para la aplicación exitosa de modelos de machine learning.

  • Datos estructurados: Se almacenan en formatos organizados, como tablas, y son ideales para correlacionar y analizar relaciones entre variables.
  • Datos no estructurados: Incluyen texto, imágenes y video, y requieren técnicas especiales para extraer información significativa debido a la falta de un formato predefinido.

¿Dónde podemos encontrar datos estructurados y cómo utilizarlos en ámbitos empresariales?

Los datos estructurados se pueden encontrar en una amplia variedad de industrias, desde finanzas hasta marketing. Comprender sus aplicaciones permite a las empresas maximizar recursos y mejorar procesos de toma de decisiones.

  • Optimización de portafolios en finanzas: Permite maximizar retornos ajustando la diversidad de inversiones.
  • Marketing y análisis de clientes: Ayuda a comprender la frecuencia de compra, realizar predicciones de cambio y evaluar el valor del cliente en campañas.

¿Qué herramientas y algoritmos se utilizan para analizar datos estructurados en Machine Learning?

La manipulación y transformación de datos no es simplemente un paso previo a la creación de modelos de machine learning, sino un componente crítico para el éxito del proyecto. Requiere herramientas adecuadas para garantizar eficiencia y precisión.

  • Características deseadas en herramientas:

    • Facilidad para visualizar y manipular datos.
    • Capacidad de integración con diversas fuentes de datos y exportación en formatos estándar.
    • Inclusión de herramientas específicas para machine learning.
  • Ejemplo de herramientas: BigQuery es un ejemplo de plataforma que puede usarse para estos fines, permitiendo la incorporación y análisis de grandes volúmenes de datos.

  • Algoritmos comunes: Algunos algoritmos utilizados en datos estructurados son regresión lineal, regresión logística, árboles de decisión y Random Forest.

A la hora de elegir el algoritmo adecuado, el "teorema del no freelunch" indica que no existe un algoritmo único que sea óptimo para todos los problemas. Cada tipo de problema necesita una evaluación para determinar el mejor enfoque y modelo de aprendizaje.

Espero que encuentres esta información útil y motivadora para seguir explorando el fascinante mundo del machine learning con datos estructurados. ¡Sigue aprendiendo y descubre el potencial completo de esta tecnología!

Aportes 3

Preguntas 0

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Buena intro, ojala este modulo sea mas funcional que el anterior

Buena introducción al tema de machine learning.

Muy buena introducción, muestra todo el abanico de posibilidades de una forma muy concreta y completa!