Machine Learning in Azure Hätte ich auf der Titanic überlebt? Olivia Klose Technical Evangelist, Microsoft @oliviaklose oliviaklose.com
13.06.20 15 SQLSaturday Rheinland 2015
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
Methoden und Systeme, die Garbage-In- Knowledge-Out erreichen ohne Datenmodellierung & Feature Engineering vorhersagen immer perfekt sind Regeln auswendig lernen
VALUE How can we make it happen? What will happen? Why did it happen? What happened? Traditional BI Advanced Analytics DIFFICULTY
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
Daten Vorhersagen Säubern Transformieren Mathe Modell bauen
f X = y Eingabe- Matrix/Tabelle Ausgabe- Vektor/Spalte
Hypothese h X = y Eingabe- Matrix/Tabelle Vorhergesagte(r) Ausgabe-Vektor/Spalte
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
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?
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
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]]
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]]
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
Aussicht Temperatur Windig Klasse Sonnig Niedrig Nein? Aussicht Sonnig Regnerisch Bewölkt Temperatur Ja Windig Niedrig Hoch Nein Ja Ja Nein Ja Nein
Aussicht Temperatur Windig Klasse Sonnig Niedrig Nein? Aussicht Sonnig Regnerisch Bewölkt Temperatur Ja Windig Niedrig Hoch Nein Ja Spielen! Ja Nein Ja Nein
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
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
Azure Machine Learning Machine Learning für alle Unternehmen, Data Scientists, Entwickler, Analysten und Nutzer überall auf der Welt zugänglich Machen.
Cloud Lokal HDInsight SQL Server VM SQL DB Blobs & Tabellen ML Studio IDE für ML Web Service Desktopdateien Exceltabelle Andere Speicherkonto M Monetarisieren
http://aka.ms/mlcheatsheet
In limited preview SELECT text, sentiment(text) FROM mystream http://aka.ms/stream-ml
http://aka.ms/mlbook
http://aka.ms/mlserie http://aka.ms/azureml-ueberblick
http://aka.ms/azureml-mva
oliviaklose.com aka.ms/mlblog @oliviaklose 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
Olivia Klose Technical Evangelist Microsoft Deutschland GmbH E-Mail: Blog: Twitter: olivia.klose@microsoft.com oliviaklose.com @oliviaklose 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.