Machine Learning oder Data Science sind in einer Zeit, in der die Menge an Daten stetig zunimmt, wertvolle Hilfsmittel. Dementsprechend gehören Data Scientists derzeit zu den begehrtesten Experten in der IT-Branche. Die Einsatzbereiche sind vielfältig und reichen von der Vorhersage von Fußballergebnissen über persönliche Kaufempfehlungen in Online-Shops bis zum Ergreifen präventiver Wartungsmaßnahmen in der industriellen Produktion.
In diesem Vortrag werden wir Microsoft Azure Machine Learning vorstellen - ein Dienst von Microsoft Azure, mit dem Entwickler Predictive Analytics-Modelle anhand von Machine Learning-Algorithmen bauen und als Cloud Service veröffentlichen können. Dabei gehen wir einen End-to-End Workflow durch, mit dem wir die Überlebenschancen auf der Titanic berechnen können: wir entnehmen existierende Daten, erstellen darauf basiert verschiedene Modelle, die gleich in Anwendungen eingebaut werden können.
9. 1. Zu komplex: Man kann es nicht programmieren.
2.Zu viel: Man kann es nicht skalieren.
3.Zu speziell: Man will personalisierte Programme
schreiben.
4.Autonomes Lernen
10. Methoden und Systeme, die…
„Garbage-In-
Knowledge-Out“
erreichen
ohne
Datenmodellierung
& Feature
Engineering
vorhersagen
immer
perfekt sind
Regeln
auswendig lernen
15. 𝑓 X = y
Eingabe-
Matrix/Tabelle
Ausgabe-
Vektor/Spalte
16. ℎ X = y
Eingabe-
Matrix/Tabelle
Vorhergesagte(r)
Ausgabe-Vektor/Spalte
Hypothese
17. Aussicht Temperatur Windig Klasse
Sonnig Niedrig Ja Spielen
Sonnig Hoch Ja Nicht Spielen
Sonnig Hoch Nein Nicht Spielen
Bewölkt Niedrig Ja Spielen
Bewölkt Hoch Nein Spielen
Bewölkt Niedrig Nein Spielen
Regnerisch Niedrig Ja Nicht Spielen
Regnerisch Niedrig Nein Spielen
Sonnig Niedrig Nein ?
𝑓 x = 𝑦
Features / Eingabe:
(Aussicht, Temperatur, Windig)
z.B. x = sonnig, niedrig, ja
Spielen /
Nicht spielen
18. Aussicht Temperatur Windig Klasse
Sonnig Sehr Niedrig Ja Spielen
Sonnig Hoch Ja Nicht Spielen
Sonnig Hoch Jein Nicht Spielen
Bewölkt ? Ja Einer spielt
Schäfchen-
wolken
Hoch Nein Spielen
Bewölkt Niedrig Nein Spielen
Regnerisch ? Ja Nicht Spielen
Regnerisch Niedrig Nein Spielen
Sonnig Niedrig Nein ?
19. Aussicht Temperatur Windig Klasse
Sonnig Niedrig Ja Spielen
Sonnig Hoch Ja Nicht Spielen
Sonnig Hoch Nein Nicht Spielen
Bewölkt Niedrig Ja Spielen
Bewölkt Hoch Nein Spielen
Bewölkt Niedrig Nein Spielen
Regnerisch Niedrig Ja Nicht Spielen
Regnerisch Niedrig Nein Spielen
Sonnig Niedrig Nein ?
𝑓 x = 𝑦
Features / Eingabe:
(Aussicht, Temperatur, Windig)
z.B. x = sonnig, niedrig, ja
Spielen /
Nicht spielen
20. Aussicht Temperatur Windig Klasse
Sonnig Niedrig Ja Spielen
Sonnig Hoch Ja Nicht Spielen
Sonnig Hoch Nein Nicht Spielen
Bewölkt Niedrig Ja Spielen
Bewölkt Hoch Nein Spielen
Bewölkt Niedrig Nein Spielen
Regnerisch Niedrig Ja Nicht Spielen
Regnerisch Niedrig Nein Spielen
Sonnig Niedrig Nein ?
[[ 1.000000],
[ -1.000000],
[ -1.000000],
[ 1.000000],
[ 1.000000],
[ 1.000000],
[ -1.000000],
[ 1.000000]]
21. Aussicht Temperatur Windig Klasse
Sonnig Niedrig Ja Spielen
Sonnig Hoch Ja Nicht Spielen
Sonnig Hoch Nein Nicht Spielen
Bewölkt Niedrig Ja Spielen
Bewölkt Hoch Nein Spielen
Bewölkt Niedrig Nein Spielen
Regnerisch Niedrig Ja Nicht Spielen
Regnerisch Niedrig Nein Spielen
Sonnig Niedrig Nein ?
[[ 1.000000, 0.000000, 1.000000],
[ 1.000000, 1.000000, 1.000000],
[ 1.000000, 1.000000, -1.000000],
[ 2.000000, 0.000000, 1.000000],
[ 2.000000, 1.000000, -1.000000],
[ 2.000000, 0.000000, -1.000000],
[ 3.000000, 0.000000, 1.000000],
[ 3.000000, 0.000000, -1.000000]]
23. Aussicht Temperatur Windig Klasse
Sonnig Niedrig Nein ? Aussicht
Temperatur WindigJa
Bewölkt
Sonnig
Niedrig
Ja
Regnerisch
Hoch
Nein
Nein
Ja
Ja
Nein
27. Wahrheit
Patient ist krank. Patient ist gesund.
Vorhersage
Testpositiv
Test hat den Patienten
korrekterweise als krank
diagnostiziert.
Test hat den Patienten
fälschlicherweise als
krank eingestuft.
𝑅𝑒𝑙𝑒𝑣𝑎𝑛𝑧, 𝐺𝑒𝑛𝑎𝑢𝑖𝑔𝑘𝑒𝑖𝑡 =
𝑡𝑝
𝑡𝑝 + 𝑓𝑝
Testnegativ
Test hat den Patienten
fälschlicherweise als
gesund eingestuft.
Test hat den Patienten
als gesund angezeigt.
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡ä𝑡 =
𝑡𝑝
𝑡𝑝 + 𝑓𝑛
𝐾𝑜𝑟𝑟𝑒𝑘𝑡𝑘𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑘𝑎𝑡𝑖𝑜𝑛𝑠𝑟𝑎𝑡𝑒
=
𝑡𝑝 + 𝑡𝑛
𝑡𝑝 + 𝑡𝑛 + 𝑓𝑝 + 𝑓𝑛
28.
29. Azure Machine Learning
Machine Learning für alle Unternehmen, Data
Scientists, Entwickler, Analysten und Nutzer
überall auf der Welt zugänglich Machen.
30. ML
Studio
M
HDInsight
SQL Server VM
SQL DB
Blobs & Tabellen
Cloud
Desktopdateien
Exceltabelle
Andere…
Lokal
IDE für ML Web Service
MonetarisierenSpeicherkonto