iOS y Machine Learning

Transcript

1. iOS y Machine Learning Mario Acero Camila Gaitán Mosquera
2. Agenda 1. Hablando de Machine Learning 2. Core ML 3. PLN 4. Demos: PLN con iOS 5. Turi 6. Networking
3. Hablando de Machine Learning
4. “Es una rama de la inteligencia artificial que crea sistemas que aprenden automáticamente ” Aprender = Encontrar patrones complejos en los datos. Aprende algoritmos Automáticamente = Los sistemas van teniendo mejora continua a través del aprendizaje
5. Aprendizaje supervisado 1. Trabaja con datos etiquetados 2. Tiene una variable objetivo 3. Predicción = el algoritmo con unas variables input y un histórico aprende a asignar la etiqueta adecuada 4. Entrenamiento y prueba 5. Clasificaciones
6. Aprendizaje no supervisado 1. No existen datos etiquetados 2. Agrupación natural de los datos 3. Exploración y descripción de los Datos 4. Clusters y PCA
7. “Basura entra basura sale”
8. CORE ML
9. ¿Cómo usar modelos entrenados en Swift?
10. Core ML Framework
11. Vision 1. Reconocimiento de rostros 2. Detección de códigos de barras 3. Detección de texto 4. Algoritmos de Machine Learning para clasificación
12. Procesamiento del lenguaje Natural 1. Detección del lenguaje 2. Tokenización 3. Tags Lingüísticos 4. Algoritmos entrenado para esta tarea
13. PLN
14. NLP Natural Language Processing
15. Natural Language Framework 1. Language Recognizer 2. Tokenization 3. Tagger 4. Custom NLP Models Swift APIs for NLP
16. 1.Language Recognizer
17. 2.Tokenization
18. 3.Tagger
20. 4. Custom NLP Model CreateML : Permite desarrollar y entrenar los modelos de Machine Learning o Deep Learning con Swift en un entorno Apple.
21. Create ML • Clasificación de imágenes con MLImageClassifier • Clasificación de texto natural con MLTextClassifier • Clasificación de texto a nivel de palabras con MLWordTagger • Reconocimiento de categorías con MLClassifier : Decision Tree, Random Forest, Boosted Tree, Logistic Regression, Support Vector • Predicción de valores con MLRegressor: Lineal, Decision Tree, Random Forest, Boosted Tree
22. Clasificador de Spam
23. Algunos ejemplos adicionales
24. Clasificador de noticias en Python 1. Limpieza de datos ◦ Quitar stopwords ◦ Stemming 2. Entrenamiento ◦ Modelo de clasificación 3. Prueba 4. Métricas 5. Creación modelo para uso en Xcode
25. Clasificador de noticias en Swift 1. Importar el modelo 2. Existen modelos ya creados en Core ML y funcionan como cajas negras 3. Realizan limpieza, 4. Métricas en algunos casos de bajo rendimiento
26. Turicreate https://github.com/apple/turicreate
27. “Simplifica el desarrollo de modelos de machine learning. No necesitas ser un experto en el área para realizar un clasificador de imágenes o un app que detecte algún objeto.”
29. Gracias!!!! y anuncios!