Upload
olivia-klose
View
292
Download
0
Embed Size (px)
Citation preview
Machine Learning in AzureHätte ich auf der Titanic überlebt?
Olivia KloseTechnical Evangelist, Microsoft@oliviaklose | oliviaklose.com
1. Zu komplex: Man kann es nicht programmieren.
2.Zu viel: Man kann es nicht skalieren.
3.Zu speziell: Man will personalisierte Programmeschreiben.
4.Autonomes Lernen
Methoden und Systeme, die…
„Garbage-In-
Knowledge-Out“
erreichen
ohne
Datenmodellierung
& Feature
Engineering
vorhersagen
immer
perfekt sind
Regeln
auswendig lernen
VALUE
DIFFICULTY
What happened?
Why did it happen?
What will happen?
How can we make it happen?
Traditional BI Advanced Analytics
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
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
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 ?
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
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 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 ?
Aussicht Temperatur Windig Klasse
Sonnig Niedrig Nein ? Aussicht
Temperatur WindigJa
Bewölkt
Sonnig
Niedrig
Ja
Regnerisch
Hoch
Nein
Nein
Ja
Ja
Nein
Aussicht
Temperatur WindigJa
Bewölkt
Sonnig
Niedrig
Ja
Regnerisch
Hoch
Nein
Nein
Ja
Ja
NeinSpielen!
Aussicht Temperatur Windig Klasse
Sonnig Niedrig Nein ?
Wahrheit
Positiv Negativ
Vorhersage
Po
siti
v
Richtig positiv
(True positive)
Falsch positiv
(false positive)𝑅𝑒𝑙𝑒𝑣𝑎𝑛𝑧, 𝐺𝑒𝑛𝑎𝑢𝑖𝑔𝑘𝑒𝑖𝑡 =
𝑡𝑝
𝑡𝑝 + 𝑓𝑝
Neg
ati
v
Falsch negativ
(false negative)
Richtig negativ
(true negative)
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡ä𝑡 =𝑡𝑝
𝑡𝑝 + 𝑓𝑛𝐾𝑜𝑟𝑟𝑒𝑘𝑡𝑘𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑘𝑎𝑡𝑖𝑜𝑛𝑠𝑟𝑎𝑡𝑒
=𝑡𝑝 + 𝑡𝑛
𝑡𝑝 + 𝑡𝑛 + 𝑓𝑝 + 𝑓𝑛
Wahrheit
Patient ist krank. Patient ist gesund.
Vorhersage
Test
po
siti
v
Test hat den Patienten
korrekterweise als krank
diagnostiziert.
Test hat den Patienten
fälschlicherweise als
krank eingestuft.
𝑅𝑒𝑙𝑒𝑣𝑎𝑛𝑧, 𝐺𝑒𝑛𝑎𝑢𝑖𝑔𝑘𝑒𝑖𝑡 =𝑡𝑝
𝑡𝑝 + 𝑓𝑝
Test
neg
ati
v
Test hat den Patienten
fälschlicherweise als
gesund eingestuft.
Test hat den Patienten
als gesund angezeigt.
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡ä𝑡 =𝑡𝑝
𝑡𝑝 + 𝑓𝑛𝐾𝑜𝑟𝑟𝑒𝑘𝑡𝑘𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑘𝑎𝑡𝑖𝑜𝑛𝑠𝑟𝑎𝑡𝑒
=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.
ML
Studio
M
HDInsightSQL Server VMSQL DBBlobs & Tabellen
Cloud
Desktopdateien
Exceltabelle
Andere…
Lokal
IDE für ML Web Service
MonetarisierenSpeicherkonto
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
© 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: [email protected]
Blog: oliviaklose.com
Twitter: @oliviaklose