Concurso Aprende Machine Learning con O’Reilly y Héroes del Dato

Vengo en Octubre con otro concurso para preparar el lanzamiento de mi nuevo curso, sobre el uso de Machine Learning en Apuestas Deportivas, que pronto publicaré.

Para ir calentando, voy a lanzar un nuevo concurso de un lote de 15 libros en formato electrónico de la prestigiosa editorial O’Reilly, todos sobre Machine Learning.

Lo único que tienes que hacer para acceder al sorteo es adquirir uno de mis cursos con el cupon AMLORHDD. Que son las siglas del nombrecito del concurso.

Los libros que podrás ganar en el sorteo son:

Libros del Concurso 1

Libros del Concurso 2

¡¡¡15 libros valorados en casi 1.000$ en total!!!

Si quieres participar tienes hasta el 31-oct para adquirir uno de mis cursos usando el cupón. Cada uno que compres, te proporcionará una opción más para ganar el lote de libros. Recuerda, 1 compra supone 1 oportunidad en el sorteo.

Si ya tienes mis tres cursos, te propongo lo siguiente: invita a un amigo, familiar o conocido a adquirir uno de mis cursos. Me envías un mensaje con el nombre del comprador y ¡los dos tendréis una nueva oportunidad para el sorteo!

Así que no tienes excusa, utiliza los siguientes enlaces para adquirir uno de mis cursos y adéntrate de lleno en el mundo del Machine Learning de la mano de O’Reilly y de Héroes del Dato.

Mis cursos son:

  • Aplicaciones Big Data para Data Scientist con R y Shiny: Para ser un buen Data Scientist, experto en Big Data o Ingeniero de Machine Learning, hay que ser capaz de comunicar bien la información y los resultados obtenidos. En este curso aprenderás a utilizar Shiny, una librería de R que te permite realizar aplicaciones web de una forma rápida y sencilla, integrando R de forma nativa. Veremos los principales elementos y haremos una aplicación completa desde cero paso a paso.

Aplicaciones Big Data para Data Scientist con R y Shiny
Aplicaciones Big Data para Data Scientist con R y Shiny

El enlace del cupón:

https://www.udemy.com/aplicaciones-big-data-para-data-scientist-con-r-y-shiny/?couponCode=AMLORHDD

  • Introducción a Data Scientist programando en R: La profesión del futuro, ya está de moda en el presente. Con este curso aprenderás los fundamentos de R y conocerás todos los aspectos de esta profesión: adquisición, exploración, tratamiento y visualización de resultados. Y para terminar el curso, una aplicación de análisis de sentimientos de los tweets de películas que podrás ver en formato web.

Introducción a Data Scientist programando en R
Introducción a Data Scientist programando en R

El enlace del cupón:

https://www.udemy.com/introduccion-a-data-scientist-programando-en-r/?couponCode=AMLORHDD

  • Iniciación a Computer Vision con Machine y Deep Learning con R: Un completo curso para ver como funciona la visión por computador. Utilizando el famoso set de datos MNIST, que contiene imágenes de números del 0 al 9 escritos a mano, realizaremos diversos sistemas de clasificación, para comprobar su funcionamiento, y ver cómo se comportan. Utilizaremos un montón de algoritmos de Machine Learning, como Support Vector Machine, K Nearest Neighbours, Naïve Bayes, etc. Varias formas de reducir la dimensionalidad, y probaremos dos plataformas para aprendizaje electrónico, H2O y el famoso TensorFlow de Google. Todo con explicaciones de cada método y algoritmo, y explicación práctica en R.
Iniciación a Computer Vision con Machine y Deep Learning con R
Iniciación a Computer Vision con Machine y Deep Learning con R

El enlace del cupón:

https://www.udemy.com/iniciacion-a-computer-vision-con-machine-deep-learning-en-r/?couponCode=AMLORHDD

¡Regálatelo a ti mismo!  Siéntete libre para compartirlo con tus amistades, familiares o con quien creas que le pueda interesar o convenir. Muchas gracias por apoyar mis cursos. ¡¡¡Juntos hacemos una gran comunidad! ¡Nos vemos en las clases!!!

 

Veranito, veranito, sol, playa y un cursito.

Veranito Cursos

¡Muchísimas gracias por la gran acogida que ha tenido mi nuevo curso de aplicaciones Big Data Science con Shiny!!!

La verdad es que da gusto trabajar en un curso y meterle tantas horas con este tipo de respuesta. Espero que los que ya lo tenéis, lo estéis disfrutando tanto o más de lo que lo disfruté yo al realizarlo.

Selección de los mejores ordenadores para Data Scientist ¡con descuentos!

Me estoy dando unos días de descanso pero en seguida salto a preparar mi siguiente curso: Una aplicación completa para predecir apuestas deportivas, centradas en el fútbol y tomando como ejemplo la Liga Española de Fútbol analizando los resultados obtenidos en jornadas anteriores y en la aparición de las cuentas oficiales de los equipos en Twitter.

En este nuevo curso aprenderemos:

  • Cómo hacer scrapping de una web (para tener las clasificaciones y los partidos pendientes)
  • Cómo funciona y desarrollar la descarga continua de tweets utilizando la API pública de Twitter
  • Cómo almacenar esa información en nuestro disco duro o en S3 de Amazon
  • Aprenderemos a montar un servidor RStudio con ShinyServer integrado en un servidor de Amazon (gratuito el primer año) donde podremos correr nuestra aplicación sin tener nuestro ordenador continuamente funcionando.
  • Probaremos diferentes modelos de predicción para encontrar el mejor resultado con todos los datos que obtendremos.
  • Automatizaremos la recogida de datos y los cálculos de las predicciones mediante la librería cronR de R.
  • Y realizaremos una aplicación en Shiny para visualizar los resultados desde una web.
Selección de libros para Data Scientist ¡con descuentos!

Estoy muy emocionado con este curso, y espero tenerlo preparado hacia el final del verano. ¿Qué os parece?

Escribirme vuestros comentarios a través de mis contactos sociales.

Y seguimos con las promociones de mis cursos. Aprovechando el lanzamiento del nuevo curso, os ofrezco mis 3 cursos a un precio especial, el mínimo que me permite Udemy, para que aprendáis sin gastar mucho.

Si cogéis los 3 cursos con esta oferta, por menos de un tercio del valor de un único curso, os llevaríais 3. Casi 50 horas de cursos de Data Science y Machine Learning.

Estos cursos son:

  • Aplicaciones Big Data para Data Scientist con R y Shiny: Para ser un buen Data Scientist, experto en Big Data o Ingeniero de Machine Learning, hay que ser capaz de comunicar bien la información y los resultados obtenidos. En este curso aprenderás a utilizar Shiny, una librería de R que te permite realizar aplicaciones web de una forma rápida y sencilla, integrando R de forma nativa. Veremos los principales elementos y haremos una aplicación completa desde cero paso a paso.
Aplicaciones Big Data para Data Scientist con R y Shiny
Aplicaciones Big Data para Data Scientist con R y Shiny

El enlace del cupón:

https://www.udemy.com/aplicaciones-big-data-para-data-scientist-con-r-y-shiny/?couponCode=LANZAMIENTO

  • Introducción a Data Scientist programando en R: La profesión del futuro, ya está de moda en el presente. Con este curso aprenderás los fundamentos de R y conocerás todos los aspectos de esta profesión: adquisición, exploración, tratamiento y visualización de resultados. Y para terminar el curso, una aplicación de análisis de sentimientos de los tweets de películas que podrás ver en formato web.
Introducción a Data Scientist programando en R

El enlace del cupón:

https://www.udemy.com/introduccion-a-data-scientist-programando-en-r/?couponCode=LANZAMIENTO_SHINY

  • Introducción a Computer Vision con Machine y Deep Learning con R: Un completo curso para ver como funciona la visión por computador. Utilizando el famoso set de datos MNIST, que contiene imágenes de números del 0 al 9 escritos a mano, realizaremos diversos sistemas de clasificación, para comprobar su funcionamiento, y ver cómo se comportan. Utilizaremos un montón de algoritmos de Machine Learning, como Support Vector Machine, K Nearest Neighbours, Naïve Bayes, etc. Varias formas de reducir la dimensionalidad, y probaremos dos plataformas para aprendizaje electrónico, H2O y el famoso TensorFlow de Google. Todo con explicaciones de cada método y algoritmo, y explicación práctica en R.
Iniciación a Computer Vision con Machine y Deep Learning en R

El enlace del cupón:

https://www.udemy.com/iniciacion-a-computer-vision-con-machine-deep-learning-en-r/?couponCode=LANZAMIENTO

¡Regálatelo a ti mismo!  Siéntete libre para compartirlo con tus amistades, familiares o con quien creas que le pueda interesar o convenir. Muchas gracias por apoyar mis cursos. ¡¡¡Juntos hacemos una gran comunidad! ¡Nos vemos en las clases!

Tipos de Machine Learning. Clasificación vs Regresión

El machine learning genera muchos rumores porque es aplicable en una gran variedad de casos de uso. Esto se debe a que el aprendizaje automático es en realidad un conjunto de muchos métodos diferentes que son especialmente adecuados para responder diversas preguntas sobre un negocio. Para comprender mejor los algoritmos de aprendizaje automático, es útil separarlos en grupos en función de cómo funcionan.

Machine Learning
Machine Learning

Uno de los puntos de vista para separar estos algoritmos es el de los datos, si disponemos de datos etiquetados (ejemplos resueltos) o no.  Entonces será aprendizaje supervisado o no supervisado. Incluso se puede hacer aprendizaje automático semi-supervisado. Pero también existen diferencias inherentes en estos algoritmos basados en el formato de sus salidas. Viéndolos de esta manera, los métodos principales de aprendizaje automático son dos: clasificación y regresión.

Clasificación

Los algoritmos de clasificación se usan cuando el resultado deseado es una etiqueta discreta. En otras palabras, son útiles cuando la respuesta a su pregunta sobre su empresa cae dentro de un conjunto finito de resultados posibles. Muchos casos de uso, como determinar si un correo electrónico es correo no deseado o no, solo tienen dos resultados posibles. Esto se llama clasificación binaria.

Clasificación
Clasificación

La clasificación multicategoría captura todo lo demás, y es útil para la segmentación del cliente, la categorización de imágenes y audio y el análisis de texto para optimizar el sentimiento del cliente. Si estas son las preguntas que espera contestar con el aprendizaje automático en su negocio, considere algoritmos como Bayes ingenuo, árboles de decisión, regresión logística, aproximación kernel y vecinos K más cercanos.

Regresión

Por otro lado, la regresión es útil para predecir productos que son continuos. Eso significa que la respuesta a su pregunta se representa mediante una cantidad que puede determinarse de manera flexible en función de las entradas del modelo en lugar de limitarse a un conjunto de posibles etiquetas. Los problemas de regresión con entradas ordenadas por tiempo se denominan problemas de pronóstico de series temporales, como el pronóstico ARIMA, que permite a los científicos de datos explicar los patrones estacionales en las ventas, evaluar el impacto de las nuevas campañas de marketing y más.

Regresión
Regresión

La regresión lineal es, con mucho, el ejemplo más popular de un algoritmo de regresión. Aunque a menudo se subestima debido a su relativa simplicidad, es un método versátil que se puede usar para predecir los precios de la vivienda, la probabilidad de que los clientes se desvíen o los ingresos que un cliente generará. Para casos de uso como estos, los árboles de regresión y la regresión vectorial de soporte son buenos algoritmos a considerar si está buscando algo más sofisticado que la regresión lineal.

Elegir un algoritmo es un paso crítico en el proceso de aprendizaje automático, por lo que es importante que realmente se adapte al caso de uso del problema en cuestión.

10 revoluciones del Aprendizaje Automático en el Marketing

Machine Learning Marketing o Aprendizaje Automático para Marketing en español, está revolucionando el Marketing tradicional, incluso el más moderno, hacia un modelo data-driven (orientado al dato), con el consiguiente conocimiento del usuario y su relación con los productos.

  • El 84% de las organizaciones de marketing están implementando o expandiendo la IA (Intelidencia Artificial) y el aprendizaje automático en 2018.
  • El 75% de las empresas que usan IA y el aprendizaje automático mejoran la satisfacción del cliente en más del 10%.
  • Según Capgemini, 3 de cada 4 organizaciones que implementan IA y aprendizaje automático aumentan las ventas de nuevos productos y servicios en más del 10%.

La medición de muchas contribuciones del marketing al crecimiento de los ingresos se está volviendo más precisa y en tiempo real gracias a los análisis y el aprendizaje automático.

Saber qué impulsa más leads de marketing calificado (MQL), leads calificados de ventas (SQL), la mejor manera de optimizar campañas de marketing y mejorar la precisión y rentabilidad de los precios son solo algunas de las muchas áreas en las que el aprendizaje automático está revolucionando el marketing.

Los mejores especialistas en marketing están utilizando el aprendizaje automático para comprender, anticiparse y actuar sobre los problemas que sus ingenieros preventas intentan resolver más rápido y con más claridad que cualquier otro competidor.

La aplicación de aprendizaje automático basado en aplicaciones aptas para aprender lo que es más efectivo para cada cliente y cliente potencial impulsa la capacidad de personalizar el contenido mientras califica a los clientes potenciales para que las ventas cierren rápidamente.

El aprendizaje automático está llevando el contenido contextual, la automatización del marketing, incluidas las campañas de marketing entre canales y la puntuación de clientes potenciales, la personalización y las previsiones de ventas, a un nuevo nivel de precisión y velocidad.

Los departamentos de marketing más sólidos dependen de un sólido conjunto de análisis e indicadores clave de rendimiento (KPI) para medir su progreso hacia los objetivos de crecimiento de los ingresos y los clientes.

Con el aprendizaje automático, los departamentos de marketing podrán realizar contribuciones aún más significativas al crecimiento de los ingresos, fortaleciendo las relaciones con los clientes en el proceso.

Las siguientes son 10 formas en que el aprendizaje automático está revolucionando el marketing hoy y en el futuro:

  1. El 57% de los ejecutivos de las empresas cree que el beneficio de crecimiento más significativo de AI y el aprendizaje automático mejorará las experiencias y el apoyo de los clientes. El 44% cree que la IA y el aprendizaje automático proporcionarán la capacidad de mejorar los productos y servicios existentes. Los departamentos de marketing y los Chief Marketing Officers (CMO) que los dirigen son los líderes que diseñan y lanzan nuevas estrategias para ofrecer excelentes experiencias de cliente y son uno de los primeros en adoptar el aprendizaje automático. Los marketers están mejorando la orquestación de todos los aspectos de atraer, vender y servir a los clientes mediante el uso de aplicaciones de aprendizaje automático para predecir con mayor precisión los resultados.

    Directivo
    Directivo
  2. El 58% de las empresas están abordando los problemas de marketing más desafiantes con AI y el aprendizaje automático primero, priorizando la atención personalizada al cliente, el desarrollo de nuevos productos. Estas áreas de “obligatorio cumplimiento” tienen mayor complejidad, pero también el mayor beneficio. Los especialistas en marketing no han puesto tanto énfasis en las áreas “imprescindibles” de alto beneficio y baja complejidad según el análisis de Capgemini. Estas áreas de aplicación incluyen Chatbots y asistentes virtuales, lo que reduce las pérdidas de ingresos, el reconocimiento facial y las recomendaciones de productos y servicios.

    Chatbots
    Chatbots
  3. Para 2020, se acelerará la publicidad personalizada en tiempo real en las plataformas digitales y la precisión, el contexto y la precisión optimizados de la orientación de mensajes. El efecto combinado de estas mejoras de la tecnología de comercialización aumentará la efectividad de las ventas en los canales minoristas y basados ​​en B2C. La generación de Leads Cualificados para Ventas (SQL) también aumentará, reduciendo potencialmente los ciclos de ventas y aumentando las tasas de ganancias.

    Publicidad Digital
    Publicidad Digital
  4. Analice y reduzca significativamente la rotación de clientes utilizando el aprendizaje automático para agilizar la predicción de riesgos y los modelos de intervención. En lugar de depender de enfoques costosos y que requieren mucho tiempo para minimizar la pérdida de clientes, las compañías de telecomunicaciones y aquellas en industrias de alta rotación están recurriendo al aprendizaje automático. El siguiente gráfico ilustra cómo la definición de los modelos de riesgo ayuda a determinar cómo las acciones destinadas a evitar el abandono afectan la probabilidad y el riesgo del impacto de la deserción. Un modelo de intervención permite a los especialistas en marketing considerar cómo el nivel de intervención podría afectar la probabilidad de abandono y la cantidad de valor de vida del cliente (CLV).

    Aplicaciones de Machine Learning
    Aplicaciones de Machine Learning
  5. La optimización de los precios y la elasticidad de los precios están creciendo más allá de las industrias con existencias limitadas, incluidas las aerolíneas y los hoteles, que proliferan en la fabricación y los servicios. Todos los especialistas en marketing confían cada vez más en el aprendizaje automático para definir precios más competitivos y contextualmente relevantes. Las aplicaciones de aprendizaje automático están escalando la optimización de precios más allá de las aerolíneas, hoteles y eventos para abarcar escenarios de precios de productos y servicios. El aprendizaje automático se utiliza actualmente para determinar la elasticidad de los precios de cada producto, teniendo en cuenta el segmento del canal, el segmento del cliente, el período de ventas y la posición del producto en una estrategia global de precios de línea de productos. El siguiente ejemplo es de la solución preconfigurada de análisis interactivo de precios (PCS) de Microsoft Azure. Fuente: Azure Cortana Interactive Pricing Analytics Solución preconfigurada.

    Modelo Azure
    Modelo Azure Análisis de Precios
  6. Mejorar el pronóstico de la demanda, la eficiencia del surtido y los precios en el marketing minorista tiene el potencial de ofrecer una mejora del 2% en ganancias antes de intereses e impuestos (EBIT), 20% de reducción de existencias y 2 millones menos de devoluciones de productos al año. En Consumer Packaged Goods (CPQ) y organizaciones de comercialización minorista, existe un gran potencial para AI y el aprendizaje automático para mejorar el rendimiento de toda la cadena de valor. McKinsey descubrió que utilizar un enfoque concertado para aplicar la IA y el aprendizaje automático a través de las cadenas de valor de un minorista tiene el potencial de ofrecer una mejora del 50% en la eficiencia del surtido y un aumento del 30% en las ventas en línea utilizando precios dinámicos.

    Pronóstico de Ventas
    Pronóstico de Ventas
  7. Creación y ajuste de modelos de propensión que guían las estrategias de ventas cruzadas y ventas por línea de productos, segmento de clientes y personalidad. Es común encontrar vendedores orientados a datos que construyen y usan modelos de propensión para definir los productos y servicios con la mayor probabilidad de ser comprados. Con demasiada frecuencia, los modelos de propensión se basan en datos importados, integrados en Microsoft Excel, por lo que su uso continuo consume mucho tiempo. El aprendizaje automático está simplificando la creación, la puesta a punto y las contribuciones de los ingresos de las estrategias de venta ascendente y de venta cruzada mediante la automatización de todo el progreso. La siguiente pantalla es un ejemplo de un modelo de propensión.

    www.tiboo.com
    www.tiboo.com
  8. La precisión en la puntuación de los leads está mejorando, lo que permite aumentar las ventas que se pueden rastrear hasta las campañas de marketing iniciales y las estrategias de ventas. Al utilizar el aprendizaje automático para calificar las listas de clientes y leads adicionales utilizando datos relevantes de la web, los modelos predictivos, incluido el aprendizaje automático, pueden predecir mejor los perfiles ideales de los clientes. El puntuaje predictivo de cada líder de ventas se convierte en un mejor predictor de nuevas ventas potenciales, lo que ayuda a las ventas a priorizar el tiempo, los esfuerzos de ventas y las estrategias de venta. Las siguientes dos diapositivas son de un excelente seminario web Mintigo presentado con Sirius Decisions y Sales Hacker. Es una mirada fascinante de cómo el aprendizaje automático está mejorando la efectividad de las ventas. Fuente: Give Your SDRs An Unfair Advantage with Predictive(Diapositivas de un webinar en Slideshare).

    Pantalla de slideshare
    Pantalla de slideshare
  9. Identificar y definir las proyecciones de ventas de segmentos específicos de clientes y microsegmentos usando modelos RFM (frescura, frecuencia y monetario) dentro de aplicaciones de aprendizaje automático se está generalizando. El uso de análisis de RFM como parte de una iniciativa de aprendizaje automático puede proporcionar definiciones precisas de los mejores clientes, los más fieles, los que más gastan, los casi perdidos, los clientes perdidos y los clientes baratos perdidos.

    Identificar
    Identificar
  10. Optimizar el marketing mix determinando qué ofertas de ventas, incentivos y programas se presentan a qué prospectos a través de qué canales es otra forma de aprendizaje automático está revolucionando el marketing. Las ofertas de venta específicas se crean con el respaldo de contenido contextual, ofertas e incentivos. Estos elementos están disponibles para un motor de optimización que utiliza la lógica de aprendizaje automático para intentar continuamente predecir la mejor combinación de elementos de mezcla de marketing que conduzca a una nueva venta, venta ascendente o venta cruzada. La función de recomendación de productos de Amazon es un ejemplo de cómo su sitio de comercio electrónico usa el aprendizaje automático para aumentar los ingresos por ventas ascendentes, ventas cruzadas y productos recomendados.
    Recomendación Amazon
    Recomendación Amazon

    Una forma de aprender Machine Learning es a través de mi curso de Computer Visicion con Machine Learning y Deep Learning en R, que puedes adquirir con descuento a través de la sección de Cursos de esta web.

El artículo original.

Diferencias ente AI, NLP, Machine Learning y Deep Learning

Machine Learning

En ocasiones, las diferencias entre Inteligencia Artificial, Machine Learning y Deep Learning son difíciles de establecer.

En la Ciencia de los Datos, es bastante típico trabajar al rededor de estos conceptos.

Tratemos de ver, rápidamente, cuales son estas diferencias.

AI (inteligencia artificial) es un subcampo de la ciencia de la computación que se creó en la década de 1960.  Su  preocupación es resolver tareas que son fáciles para los humanos pero difíciles para las computadoras.

AI
Inteligencia Artificial

En particular, una Strong IA (Inteligencia Artificial Fuerte) ​​sería un sistema que puede hacer cualquier cosa que un humano pueda (sin contar algunos aspectos físicos).

Esto es bastante genérico e incluye todo tipo de tareas, como planificar, moverse por el mundo, reconocer objetos y sonidos, hablar, traducir, realizar transacciones sociales o comerciales, trabajos creativos (hacer arte o poesía), etc.

NLP (procesamiento del lenguaje natural) es simplemente la parte de AI que tiene que ver con el lenguaje (generalmente escrito).

NLP
Procesado del Lenguaje Natural

El aprendizaje automático (machine learning en inglés) se refiere a un aspecto concreto de todo esto: dado un problema de IA que puede describirse en términos discretos (por ejemplo, de un conjunto particular de acciones, cuál es el correcto), y dada mucha información sobre el mundo, figura cuál es la acción “correcta”, sin que el programador la programe.

Machine Learning
Aprendizaje Automático

Típicamente se necesita algún proceso externo para juzgar si la acción fue correcta o no.

En términos matemáticos, se trata de una función: introduces cierta información y quieres que produzca la salida correcta, por lo que todo el problema es simplemente construir un modelo de esta función matemática de forma automática.

Para establecer una distinción con AI: puedo escribir un programa muy inteligente que tenga un comportamiento similar al humano, puede ser AI, pero a menos que sus parámetros se aprendan automáticamente de los datos, no es machine learning.

El aprendizaje profundo (deep learning en inglés) es un tipo de aprendizaje automático (machine learning) que es muy popular últimamente. Implica un tipo particular de modelo matemático que puede considerarse como una composición de bloques simples (composición de funciones) de un cierto tipo, y donde algunos de estos bloques se pueden ajustar para predecir mejor el resultado final.

Deep Learning
Aprendizaje Profundo

La palabra profundo significa que la composición tiene muchos de estos bloques apilados uno sobre el otro, y la parte difícil es cómo ajustar los bloques que están lejos de la salida, ya que un pequeño cambio allí puede tener efectos muy indirectos en el salida.

Esto se hace a través de algo llamado Backpropagation dentro de un proceso más grande llamado descenso de gradiente que le permite cambiar los parámetros de una manera que mejora su modelo.

Este artículo está basado en una respuesta en la red Quora sobre estos temas y realizada por Dmitriy GenzelPhD. en Computer Science.