Blog personal especializado en tecnologĆa, desarrollo, transformaciĆ³n digital y negocios. Dedicado a profesionales que deseen transformar sus emprendimientos usando la tecnologĆa.
Las series de tiempo (time series) son muy Ćŗtiles para predecir valores numĆ©ricos para uno o varios perĆodo de tiempo. En este ejemplo veremos cĆ³mo predecir el valor de una acciĆ³n usando series de tiempo y ML.NET.
El framework ML.NET es de gran utilidad para crear aplicaciones con Machine Learning de punta a punta -end to end-, es decir, desde el entrenamiento de un modelo con datos histĆ³ricos hasta la inferencia o predicciĆ³n de un resultado con nuevos datos. Cuando creamos una aplicaciĆ³n utilizando ML.NET Model Builder podemos hacer predicciones de un resultado o una predicciĆ³n a la vez, pero hay ocaciones en que necesitamos hacer muchas predicciones a la vez en forma de batch. En este post haremos un ejercicio para crear una aplicaciĆ³n que predice la cancelaciĆ³n de una reserva de hotel y modificaremos el cĆ³digo para hacer predicciones en batch a partir de varios registros en un archivo .csv.
La implementaciĆ³n de metodologĆas Ć”giles como Scrum es fundamental para la transformaciĆ³n digital de las empresas, y el rol del Agile Coach se estĆ” convirtiendo en uno de los mĆ”s demandadas rĆ”pidamente. En las empresas tradicionales este es el rol del consultor o asesor de proyectos, pero ĀæquĆ© es un Agile Coach? y ĀæcĆ³mo puede hacer que la empresa y sus trabajadores lleguen a conseguir sus objetivos marcados?
Bootstrap es una tĆ©cnica de remuestreo utilizada para estimar estadĆsticas de una poblaciĆ³n mediante el muestreo de un conjunto de datos con reemplazo. En palabras mĆ”s simples; imaginemos que tenemos una muestra de datos en un dataset y queremos generar una nueva muestra de igual o menor tamaƱo, entonces tomamos un dato del dataset original de manera aleatoria y la colocamos en un nuevo dataset, a la vez que devolvemos el dato seleccionado al dataset original, y repetimos el proceso hasta generar la nueva muestra deseada. Este enfoque de muestreo se llama muestreo con reemplazo (sampling with replacement)
Cuando desarrollamos modelos de machine learning normalmente debemos trabajar unificando datos de diferentes fuentes como archivos .csv, bases de datos o integraciones con APIs. Una de las ventajas de la programaciĆ³n orientada a objetos es que podemos desarrollar funciones para recuperar datos de mĆŗltiples fuentes e instanciarlos en un mismo objeto, sin depender de la compatibilidad de los paquetes que utilicemos. En este post veremos cĆ³mo instanciar el objeto de origen de datos (dataset) desde mĆŗltiples fuentes usando el framework ML.NET.
Para quienes hemos trabajado toda nuestra vida con lenguajes orientados a objetos como Java, C# o Ruby, cuando incursionamos en el mundo de la ciencia de datos nos puede resultar muy complicado el adaptarnos a lenguajes como Python que es muy popular en este campo debido a la facilidad de aprendizaje para quienes no tienen bases de programaciĆ³n, pero para quienes ya tenemos fuertes conocimientos de desarrollo el usar un lenguaje de programaciĆ³n orientado a objetos tambiĆ©n puede tener muchas ventajas para usarlo en la ciencia e ingenierĆa de datos.
Una de las ventajas de usar el framework ML.NET para la ciencia e ingenierĆa de datos es la posibilidad de crear experimentos para la creaciĆ³n de modelos de Machine Learning de manera automatizada. En este post vamos a usar la clase MulticlassClassificationExperiment incluida en el paquete Microsoft.ML.AutoML para crear un modelo para predecir la probabilidad de cancelaciĆ³n o cambio en la reserva de un hotel.
La gestiĆ³n de equipos remotos requiere las mismas habilidades e instrucciones que cualquier equipo presencial: Objetivos claros, retroalimentaciĆ³n, interacciĆ³n, enfoque. Pero la distancia aƱade retos adicionales, la adopciĆ³n de un marco de trabajo Ć”gil como Scrum puede ayudarnos a superar estos retos.
El Coronavirus acelerarĆ” la transformaciĆ³n digital de las empresas. La transformaciĆ³n digital ha potenciado las estrategias de negocio de pequeƱas, medianas y grandes empresas mediante el uso de plataformas digitales para cumplir con las expectativas de sus clientes.
Cuando trabajamos con datos debemos recordar siempre una cosa: dato que no cuenta algo no sirve de nada, absolutamente de nada. Por eso desde hace un tiempo se viene hablando de esta tendencia del Data Storytelling que busca cambiar la forma de presentar los datos para que tengan sentido dentro de una historia, que muestre las mĆ©tricas clave, las comparaciones entre fechas o diagramas de dispersiĆ³n, es decir, en mensajes persuasivos y efectivos que sean difĆciles de olvidar.
Acelera.Tech 