3 DE OCTUBRE DE 2015.NET CONF UY, MONTEVIDEO, URUGUAY PABLO CÉSAR GARCÍA BRIOSSO (@PC_GARCIA) RESEARCH MANAGER & CHIEF ARCHITECT Machine Learning & BigData.
Post on 25-Jan-2016
216 Views
Preview:
Transcript
3 DE OCTUBRE DE 2015.NET CONF UY, MONTEVIDEO, URUGUAY
PABLO CÉSAR GARCÍA BRIOSSO (@PC_GARCIA)RESEARCH MANAGER & CHIEF ARCHITECT
Machine Learning & BigData aplicados a proyectos en el Agro, Minería y Ciudades Inteligentes
22
Nuestra infraestructura…
Revolution analyticsHDP 2.3
StorSimple 8100
Inv NInv 2
SoftLayerFIWARE
AzureHADOOP
TelefonicaFIWARE
Internet
CO
CT
CS
CMTX
RPythonOtros
33
Ej 1: Control de riego
Sensor humedad y estación meteorológica
Datos meteorológicos: humedad, temperatura, radiación solar y velocidad del viento.
44
Ej 1: Control de riego
55
Ej 2: Lobesia Botrana
TP TN FP FNTest 1 95.78% 97.71% 4.22% 2.29%Test 2 95.81% 96.95% 4.19% 3.05%Test 3 94.3% 93.16% 5.67% 6.84%
Confusion Matrix
6
Ej 3: Dinámica de la ciudad
6
77
Ej 4: Estimación de la producción
LOS DESAFÍOS DE PONER EN PRODUCCIÓN LOS MODELOS
1 – Ajustarse a lo que el algoritmo predictivo está protegiendo
2 – Persistir el Workspace
3 – Encapsular el algoritmo en R y exponerlo como un servicio
4 – Recuperar artefactos diversos
5 – Escalar, escalar, escalar
8
9
REVOLUTION ANALYTICS
10
11
12
DEMOPoniendo en producción código R usando node.JS
¡¡MUCHAS GRACIAS!!
http://www.fiware.org/mundus/
fiware-mundus-req@lists.fi-ware.org
top related