Machine Learning in Azure Hätte ich auf der Titanic überlebt? Olivia Klose Technical Evangelist, oliviaklose.

Transkript

1 Machine Learning in Azure Hätte ich auf der Titanic überlebt? Olivia Klose Technical Evangelist, oliviaklose.com

2

3

4

5 SQLSaturday Rheinland 2015

6

7

8

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

11 VALUE How can we make it happen? What will happen? Why did it happen? What happened? Traditional BI Advanced Analytics DIFFICULTY

12 Sales and marketing Finance and risk Customer and channel Operations and workforce Sales forecasting Fraud detection User segmentation Agent allocation Demand forecasting Credit risk management Personalized offers Warehouse efficiency Sales lead scoring Product recommendation Smart buildings Marketing mix optimization Predictive maintenance Supply chain optimization

13

14 Daten Vorhersagen Säubern Transformieren Mathe Modell bauen

15 f X = y Eingabe- Matrix/Tabelle Ausgabe- Vektor/Spalte

16 Hypothese h X = y Eingabe- Matrix/Tabelle Vorhergesagte(r) Ausgabe-Vektor/Spalte

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? Spielen / Nicht spielen f x = y Features / Eingabe: (Aussicht, Temperatur, Windig) z.b. x = sonnig, niedrig, ja

18 Aussicht Temperatur Windig Klasse Sonnig Sehr Niedrig Ja Spielen Sonnig Hoch Ja Nicht Spielen Sonnig Hoch Jein Nicht Spielen Bewölkt? Ja Einer spielt Schäfchenwolken 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? Spielen / Nicht spielen f x = y Features / Eingabe: (Aussicht, Temperatur, Windig) z.b. x = sonnig, niedrig, ja

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? [[ ], [ ], [ ], [ ], [ ], [ ], [ ], [ ]]

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? [[ , , ], [ , , ], [ , , ], [ , , ], [ , , ], [ , , ], [ , , ], [ , , ]]

22 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? Aussicht Sonnig Regnerisch Bewölkt Temperatur Ja Windig Niedrig Hoch Nein Ja Ja Nein Ja Nein

23 Aussicht Temperatur Windig Klasse Sonnig Niedrig Nein? Aussicht Sonnig Regnerisch Bewölkt Temperatur Ja Windig Niedrig Hoch Nein Ja Ja Nein Ja Nein

24 Aussicht Temperatur Windig Klasse Sonnig Niedrig Nein? Aussicht Sonnig Regnerisch Bewölkt Temperatur Ja Windig Niedrig Hoch Nein Ja Spielen! Ja Nein Ja Nein

25

26 Vorhersage Negativ Positiv Positiv Wahrheit Negativ Richtig positiv (True positive) Falsch positiv (false positive) Relevanz, Genauigkeit = tp tp + fp Falsch negativ (false negative) Richtig negativ (true negative) Sensitivität = tp tp + fn Korrektklassifikationsrate tp + tn = tp + tn + fp + fn

27 Vorhersage Test negativ Test positiv Patient ist krank. Wahrheit Patient ist gesund. Test hat den Patienten korrekterweise als krank diagnostiziert. Test hat den Patienten fälschlicherweise als krank eingestuft. Relevanz, Genauigkeit = tp tp + fp 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 Cloud Lokal HDInsight SQL Server VM SQL DB Blobs & Tabellen ML Studio IDE für ML Web Service Desktopdateien Exceltabelle Andere Speicherkonto M Monetarisieren

31

32

33

34

35 In limited preview SELECT text, sentiment(text) FROM mystream

36

37

38

39 oliviaklose.com aka.ms/azurenow Machine Learning Serie Machine Learning Video-Serie (MVA) Machine Learning Studio Kostenloses E-Book

40 Olivia Klose Technical Evangelist Microsoft Deutschland GmbH Blog: Twitter: 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.