Predictive Analytics with Microsoft Azure Machine Learning, 2nd Edition
Roger Barga, Valentine Fontama, Wee Hyong Tok
- Editorial
- Apress
- Año
- 2015
- Páginas
- ~303
- Nivel
- Intermedio
De qué trata
Segunda edición de esta guía técnica enfocada en el diseño, desarrollo y puesta en producción de soluciones predictivas en la nube a través del entorno clásico de Microsoft Azure Machine Learning (Azure ML Studio). Escrita por Roger Barga, Valentine Fontama y Wee Hyong Tok, profesionales e investigadores directos de Microsoft, está orientada a analistas de inteligencia de negocios (BI), ingenieros de software y científicos de datos de nivel intermedio que necesitan acelerar la entrega de modelos analíticos sin asumir la complejidad de mantener infraestructuras de cómputo locales.
El libro enseña a estructurar flujos visuales de datos y modelado predictivo de principio a fin dentro del entorno de trabajo de Azure ML Studio. Cubre la adquisición y preprocesamiento de datos, técnicas de selección de variables y el uso de algoritmos de clasificación, regresión, agrupamiento y filtrado colaborativo. Detalla además la ampliación de capacidades mediante la inyección de código personalizado en módulos de R y Python (una novedad central de esta edición), la construcción de paneles y visualización de métricas analíticas con Power BI, y la publicación y consumo de modelos como servicios web REST escalables comercializables a través de Azure Marketplace.
El núcleo formativo se apoya en cinco proyectos empresariales guiados paso a paso: modelos de propensión de compra para campañas de marketing, predicción de abandono de usuarios (churn), segmentación de clientes mediante clustering, mantenimiento predictivo con datos de sensores en manufactura de semiconductores y un motor de recomendaciones para comercio electrónico. Su principal virtud es mostrar cómo operacionalizar modelos como APIs web consumibles por aplicaciones externas en cuestión de minutos. Conviene considerar que aborda la versión clásica de Azure ML Studio (actualmente discontinuada y reemplazada por el moderno Azure Machine Learning con SDK de Python), por lo que su aporte actual es fundamentalmente metodológico y conceptual para la arquitectura de proyectos en la nube.
- Azure Machine Learning
- Cloud Computing
- Power BI
- Python
- R
- APIs REST
- Mantenimiento predictivo
- Churn prediction
- Sistemas de recomendación
- Modelos de propensión
- Clustering
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Modelo de propensión de compra para marketing
Flujo predictivo en Azure ML Studio que analiza el comportamiento histórico de clientes para estimar la probabilidad de respuesta o compra ante campañas promocionales.
Modelo de predicción de abandono de clientes (Churn)
Sistema de clasificación binaria desplegado como servicio web REST para identificar usuarios con riesgo inminente de cancelación de servicios.
Segmentación de clientes comerciales
Experimento de agrupamiento no supervisado mediante algoritmos de clustering que categoriza clientes según patrones de consumo y perfiles transaccionales.
Mantenimiento predictivo con datos de sensores
Modelo clasificador entrenado con datos de telemetría de fabricación de semiconductores para anticipar fallas mecánicas y paradas de línea imprevistas.
Motor de recomendaciones para comercio electrónico
Sistema de recomendación basado en filtrado colaborativo Matchbox Recommender para sugerir productos personalizados a los usuarios.
