Machine learning ¿Qué es? ● Se trata de crear programas capaces de generalizar comportamientos a partir de una información suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento. Antes que es minería de datos ● El objetivo general del proceso de minería de datos consiste en extraer información de un conjunto de datos y transformarla en una estructura comprensible para su uso posterior. Selección de datos Selección del conjunto de datos, tanto en lo que se refiere a las variables objetivo (aquellas que se quiere predecir, calcular o inferir), como a las variables independientes (las que sirven para hacer el cálculo o proceso), como posiblemente al muestreo de los registros disponibles. Análisis de datos ● En especial analiza la presencia de valores atípicos y ausencia de datos (valores nulos) o valores erróneos que no sirven para la búsqueda. Transformación de datos ● Se realizará de diversas formas en función del análisis previo, con el objetivo de prepararlo para aplicar la técnica de minería de datos que mejor se adapte a los datos y al problema, a este paso también se le conoce como preprocesamiento de los datos. Extracción ● Mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables. También pueden usarse varias técnicas a la vez para generar distintos modelos, aunque generalmente cada técnica obliga a un procesado diferente de los datos. Ahora si, machine learning, modelos ● El aprendizaje automático tiene como resultado un modelo para resolver una tarea dada. Entre los modelos se distinguen Atributos ● Un atributo o característica es un tipo de medida realizada sobre cualquier instancia a medir. Los atributos mapean el espacio de instancias a un conjunto de valores o dominio de atributos. Los valores del dominio pueden ser números como la frecuencia de aparición de las instancias, valores binarios o un conjunto cualquiera como el de meses, estaciones o colores. Aprendizaje supervisado ● El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). Árboles de decisión ● Este tipo de aprendizaje usa un árbol de decisiones como modelo predictivo. Se mapean observaciones sobre un objeto con conclusiones sobre el valor final de dicho objeto. ¿Cómo se usa en wwd? ● Actualmente el equipo de ingeniería de brainz lo está implementando en la predicción de mejores estrategias para la inteligencia artificial de batalla. Batalla!!!! ● Con la recolección de datos de cada batalla de los usuarios, se creó un algoritmo para que la AI pueda predecir de todas las batallas, las mejores estrategias y movimientos para que ella las pueda usar según las condiciones. Predecir por cada Build ● Esto nos va a ayudar a que cada vez que hacemos un build, podamos predecir fallos y tendencias para cada usuario dependiendo los cambios que hemos hecho en la nueva versión. Podemos predecir fallas ● Los algoritmos que usamos para medir la retención y todos los datos que extraemos del usuario nos permiten predecir cuales son las tendencias o perfiles de los usuarios que no están jugando o que tienen cualquier tipo de problema, con base en los modelos de entrenamiento que hemos creado podemos obtener los datos. Nuestro scrum ● Podemos usar todas las tareas que tenemos recolectadas en la empresa en todos los años de trabajo para predecir cual es el perfil de tareas y desarrollador que mejor son ejecutadas. Nuestro scrum ● Podemos usar todas las tareas que tenemos recolectadas en la empresa en todos los años de trabajo para predecir cual es el perfil de tareas y desarrollador que mejor son ejecutadas. End, ¿preguntas?