Developer Week 2015: Azure Machine Learning

1.651 Aufrufe

Veröffentlicht am

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.

Veröffentlicht in: Daten & Analysen
0 Kommentare
1 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.651
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
795
Aktionen
Geteilt
0
Downloads
29
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Developer Week 2015: Azure Machine Learning

  1. 1. Machine Learning in Azure Hätte ich auf der Titanic überlebt? Olivia Klose Technical Evangelist, Microsoft @oliviaklose | oliviaklose.com
  2. 2. 13.06.20 15 SQLSaturday Rheinland 2015
  3. 3. 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
  4. 4. Methoden und Systeme, die… „Garbage-In- Knowledge-Out“ erreichen ohne Datenmodellierung & Feature Engineering vorhersagen immer perfekt sind Regeln auswendig lernen
  5. 5. VALUE DIFFICULTY What happened? Why did it happen? What will happen? How can we make it happen? Traditional BI Advanced Analytics
  6. 6. Agent allocation Warehouse efficiency Smart buildings Predictive maintenance Supply chain optimization User segmentation Personalized offers Product recommendation Fraud detection Credit risk management Sales forecasting Demand forecasting Sales lead scoring Marketing mix optimization Sales and marketing Finance and risk Customer and channel Operations and workforce
  7. 7. Daten Säubern Transformieren Mathe Modell bauen Vorhersagen
  8. 8. 𝑓 X = y Eingabe- Matrix/Tabelle Ausgabe- Vektor/Spalte
  9. 9. ℎ X = y Eingabe- Matrix/Tabelle Vorhergesagte(r) Ausgabe-Vektor/Spalte Hypothese
  10. 10. 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
  11. 11. 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 ?
  12. 12. 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
  13. 13. 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]]
  14. 14. 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]]
  15. 15. Aussicht Temperatur WindigJa Bewölkt Sonnig Niedrig Ja Regnerisch Hoch Nein Nein Ja Ja Nein 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 ?
  16. 16. Aussicht Temperatur Windig Klasse Sonnig Niedrig Nein ? Aussicht Temperatur WindigJa Bewölkt Sonnig Niedrig Ja Regnerisch Hoch Nein Nein Ja Ja Nein
  17. 17. Aussicht Temperatur WindigJa Bewölkt Sonnig Niedrig Ja Regnerisch Hoch Nein Nein Ja Ja NeinSpielen! Aussicht Temperatur Windig Klasse Sonnig Niedrig Nein ?
  18. 18. Wahrheit Positiv Negativ Vorhersage Positiv Richtig positiv (True positive) Falsch positiv (false positive) 𝑅𝑒𝑙𝑒𝑣𝑎𝑛𝑧, 𝐺𝑒𝑛𝑎𝑢𝑖𝑔𝑘𝑒𝑖𝑡 = 𝑡𝑝 𝑡𝑝 + 𝑓𝑝 Negativ Falsch negativ (false negative) Richtig negativ (true negative) 𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡ä𝑡 = 𝑡𝑝 𝑡𝑝 + 𝑓𝑛 𝐾𝑜𝑟𝑟𝑒𝑘𝑡𝑘𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑘𝑎𝑡𝑖𝑜𝑛𝑠𝑟𝑎𝑡𝑒 = 𝑡𝑝 + 𝑡𝑛 𝑡𝑝 + 𝑡𝑛 + 𝑓𝑝 + 𝑓𝑛
  19. 19. 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
  20. 20. Azure Machine Learning Machine Learning für alle Unternehmen, Data Scientists, Entwickler, Analysten und Nutzer überall auf der Welt zugänglich Machen.
  21. 21. ML Studio M HDInsight SQL Server VM SQL DB Blobs & Tabellen Cloud Desktopdateien Exceltabelle Andere… Lokal IDE für ML Web Service MonetarisierenSpeicherkonto
  22. 22. http://aka.ms/MLCheatSheet
  23. 23. In limited preview SELECT text, sentiment(text) FROM myStream http://aka.ms/stream-ml
  24. 24. http://aka.ms/MLbook
  25. 25. http://aka.ms/MLSerie http://aka.ms/AzureML-Ueberblick
  26. 26. http://aka.ms/AzureML-MVA
  27. 27. aka.ms/azurenow Machine Learning Serie http://aka.ms/MLserie http://aka.ms/AzureML-Ueberblick Machine Learning Video-Serie (MVA) http://aka.ms/AzureML-MVA Machine Learning Studio http://studio.azureml.net Kostenloses E-Book http://aka.ms/MLbook oliviaklose.com aka.ms/MLblog @oliviaklose
  28. 28. © 2015 Microsoft Corporation. All rights reserved. Microsoft, Windows, and other product names are or may be registered trademarks in the U.S. and/or other countries. Olivia Klose Technical Evangelist Microsoft Deutschland GmbH E-Mail: olivia.klose@microsoft.com Blog: oliviaklose.com Twitter: @oliviaklose

×