Retail Store en Google Cloud Platform
Lo que aprenderás sobre GCP para ecommerce
Etapas clave y MLOps
Arquitectura de alto nivel
Tour de la aplicación de retail
Backend as a Service y modelo de seguridad
Introducción al proyecto
Medición de interacciones
Setup de Google Tag Manager
Etiquetando con Google Tag Manager
Etiquetas relevantes para CLV
Integración con servicios
Exposición de servicios con Apigee
Servicios expuestos con APIs
¿Qué son las APIs?
Apigee
Creación de tu primer API Proxy en Apigee
Administración de APIs con Apigee
Creando un portal de desarrolladores
Interactuando con el portal de desarrolladores
Insights to Actions
Generación de modelos AI/ML
Machine Learning con datos estructurados
BigQuery para modelos de Forecasting y LTV
Bigquery ML - Manos a la Obra
Auto ML vs. Bigquery ML
Consideraciones para entrenar un modelo en BigQueryML
Entrenamiento del modelo en BigQuery ML
Cómo exportar modelos hechos en BQML
Exportando un modelo hecho con BQML
Consumo de servicios de AI/ML
Cómputo Serverless y Contenedores
¿Qué es Kubernetes?
Consumo de modelos ML mediante BigQuery API
Almacenamiento de predicciones
Ejecución de predicciones y persistencia
Despliegue continuo con Cloud Run
Ejecución de despliegue con Cloud Run
Escalamiento de servicios en Cloud Run
AuthN y AuthZ con Cloud Run
Google Marketing Platform
Análisis de las predicciones
Segmentamos nuestras Predicciones
Caso práctico para definir tu estrategia de activación
Generemos nuestros modelos en la plataforma
Segmentamos nuestras audiencias en BigQuery
Carga tus audiencias y conecta tu medio de activación
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
En el mundo del aprendizaje automático, los datos son el motor que impulsa las predicciones y decisiones inteligentes. Sin ellos, el machine learning serÃa una teorÃa 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 crÃtico porque permiten entender y modelar la información de manera que se pueda predecir y optimizar.
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.
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.
La manipulación y transformación de datos no es simplemente un paso previo a la creación de modelos de machine learning, sino un componente crÃtico para el éxito del proyecto. Requiere herramientas adecuadas para garantizar eficiencia y precisión.
CaracterÃsticas deseadas en herramientas:
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 logÃstica, 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 tecnologÃa!
Aportes 3
Preguntas 0
Buena introducción al tema de machine learning.
Muy buena introducción, muestra todo el abanico de posibilidades de una forma muy concreta y completa!
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?