Publicamos grabación de Webinar en inglés que tuvo lugar el pasado 24/5/2018 en el que se hace una demo práctica en la que se monta una aplicación Machine Learning en un acelerómetro para detectar si una persona anda o está parada. 

El modelo Machine Learning se hace en Amazon SageMaker y la aplicac el acelerómetro con Tibco (Proyecto Flogo). El "Deep Learning" se realiza con Amazon TensorFlow. 

La demo demuestra el grado de integración entre Amazon y Tibco y  la inmensa cantidad de aplicaciones que puede tener la plataforma no sólo en el terreno del IoT sino en muchos otros. 

En el webinar se hace una introducción a:

- Amazon SageMaker: Plataforma que permite a los desarrolladores y científicos de datos crear, entrenar e implementar modelos de aprendizaje automático a cualquier escala. 

- Project Flogo: Creación de aplicaciones para IoT

Los ponentes son: David Arpin, Product Manager y Data Scientist, Amazon SageMaker y Matt Ellis, Product Management & OSS Advocate, TIBCO

Estos son los capítulos del vídeo:

Crecimiento de los Datos 01:20

Cambia el paradigma de arquitectura de las aplicaciones hacia los microservicios 3:34

Aplicaciones de Inteligencia Artificial 5:30

Es el Machine Learning siempre adecuado? 6:39

Hablamos de 2 tipos de modelos de Machine Learning: Supervised and Unsupervised 7:48

Amazon SageMaker 9:03

Componentes de la plataforma 9:21

Amazon Sagemaker Building 11:04

Amazon Sagemaker Training 11:52

Hosting 12:42

Algoritmos incorporados por Sagemaker 13:36

TensorFlow and Apache Mxnet Docker Containers 14:08

Optimización de Hiperparámetros 15:05

Adquirir datos, modelos de entrenamiento, mejora predictiva 15:51

Por qué ML "@ the Edge" 16:28

¿Qué es Project Flogo? 18:33

Desplieque de las aplicaciones Flogo 22:25

Lo que ocupa Flogo en el dispositivo 23:30

Edge ML Capabilities 24:50

Flogo: Native Streaming Constructs 25:59

Arquitectura moderna para aplicaciones y microservicios: Qué hace cada uno? 27:11

¿Cómo arrancar con Flogo- SageMaker? 28:29

Demo: saber qué hace una persona con un acelerómetro que lee cada milisegundo 29:29

Demo 2: Cómo se hace el modelo en Amazon SageMaker? 32:38

Demo 3: El desarrollo de la aplicación en Flogo 37:50

Conclusiones 41:47