Este proyecto es una aplicación de ejemplo que usa OpenAI y Azure Speech para crear un "asistente médico" inteligente. Puede responder preguntas sobre el historial médico de un paciente en lenguaje natural, muy parecido a ChatGPT pero con su propia base de conocimiento.
Machine Learning | Clasificar imágenes usando ONNX Runtime y Blazor
Este ejemplo es una aplicación Web con Blazor que consume un modelo de clasificación de imágenes utilizando ONNX Runtime y C#
Azure Functions SQL Binding con Python
Este proyecto es un ejemplo de cómo implementar Azure Functions y la extensión SQL binding extension usando Python y Azure SQL Database. Los tipos de enlaces (bindings) en este ejemplo son: Input Binding: toma un query SQL y un parámetro para ejecutar la consulta y devuelve el resultado en la función. Output Binding: toma una lista de filas y las inserta en una tabla (este ejemplo se probó con Azure SQL Database)
DALL-E 2 | ¿Puede una IA hacer el trabajo de un diseñador?
DALL-E 2 es un modelo de Inteligencia Artificial que puede construir imágenes a partir de texto en lenguaje natural. Desde que tengo acceso a la versión de prueba de OpenAI he realizado varias comparaciones entre imágenes de portadas de noticias e imágenes generadas con DALL-E 2. El resultado en general me decepcionó un poco pero me quedo sorprendido del potencial que tiene y estoy seguro que mejorará rápidamente.
GitHub Copilot | 7 trucos para sacarle máximo provecho
He estado probando GitHub Copilot por más de 6 meses y me ha parecido una herramienta excelente para aumentar mi productividad al momento de desarrollar aplicaciones, especialmente si estás trabajando con un nuevo lenguaje, te ahorra mucho tiempo de búsquedas en Google por sintaxis o sentencias.
Azure Cognitive Services | Conversión de voz a texto y análisis de sentimientos
Este ejemplo muestra como usar el servicio cognitivo de Azure Speech para traducir voz a texto dentro de una aplicación web capturando el audio del micrófono y luego analizaremos el texto convertido con el servicio de Text Analytics para analizar el sentimiento del texto.
Científico de datos vs ingeniero de datos (y cuál debería elegir)
Cuando iniciamos un proyecto de Machine Learning solemos cometer el error de creer que solo un científico de datos puede llevarlo a cabo y que debemos invertir grandes cantidades de dinero en un perfil sin ni siquiera entender cuál debe ser su rol y alcance dentro del proyecto. La realidad es que en un proyecto de Machine Learning debemos contar siempre con el perfil de un ingeniero de datos, en ocaciones necesitaremos los dos perfiles pero en muchas ocaciones también podemos ejecutar un proyecto solo con un ingeniero de datos, esto dependerá del tipo de proyecto, el diseño y las herramientas de desarrollo.
Machine Learning | Predecir el valor de una acción usando series de tiempo
Las series de tiempo (time series) son muy útiles para predecir valores numéricos para uno o varios período de tiempo. En este ejemplo veremos cómo predecir el valor de una acción usando series de tiempo y ML.NET.
Machine Learning | Cómo hacer predicciones en batch usando 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 históricos hasta la inferencia o predicción de un resultado con nuevos datos. Cuando creamos una aplicación utilizando ML.NET Model Builder podemos hacer predicciones de un resultado o una predicción 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 aplicación que predice la cancelación de una reserva de hotel y modificaremos el código para hacer predicciones en batch a partir de varios registros en un archivo .csv.
Machine Learning | Cómo generar nuevos datasets usando bootstrap y ML.NET
Bootstrap es una técnica de remuestreo utilizada para estimar estadísticas de una población mediante el muestreo de un conjunto de datos con reemplazo. En palabras más simples; imaginemos que tenemos una muestra de datos en un dataset y queremos generar una nueva muestra de igual o menor tamaño, 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)