Machine Learning???

Microsoft Azure Machine Learning

Expositor: MVP César Oviedo - MCT, MCSE, MCITP

Moderador: Jose L Rivera

Gracias a nuestros auspiciadores

Database Security as Easy as A-B-C

http://www.greensql.com

Hardcore Developer and IT Training

http://www.pluralsight.com

SQL Server PerformanceTry PlanExplorer today!

http://www.sqlsentry.com

Próximos SQL Saturday

24 de Enero de 2015 https://www.sqlsaturday.com/346/register.aspx

18 de Abril de 2015 https://www.sqlsaturday.com/368/register.aspx

9 de Mayo de 2015 https://www.sqlsaturday.com/373/register.aspx

6 de Diciembre de 2014 https://www.sqlsaturday.com/351/register.aspx

4

Capítulo Global PASS en Español

4

Reuniones semanales todos los miércoles a

las 12PM UTC-5 (Hora de Colombia)

https://www.facebook.com/SpanishPASSVC

5

Asistencia Técnica

Si requiere asistenciadurante la sesión debe usar la sección de preguntas que esta en el menú de la derecha.

Use el botón de Zoom para ajustar su pantalla al tamaño deseado

Escriba sus preguntas en la sección de preguntas que esta en el menú de la derecha

6

Speaker

MVP César Oviedo

BI LATAM Community Manager

CEO Sensus Data & Analytics

MCT, MCSE, MCSA, MCITP, MCTS

www.businessintelligencelatam.com

/BusinessIntelligenceLatam

/groups/businessintelligencecr/

/BILATAM

7

Agenda:

Overview of Machine Learning

Overview of Azure ML

Demo

8

Magic Quadrant for Advanced Analytics Platforms

(Antes del Machine Learning)

8

Precauciones

• “SQL Server 2012 Analysis Services le

falta amplitud y profundidad, así como la

facilidad de uso …”

• “aunque esto puede cambiar a medida

que las versiones finales del producto a

finales de 2014”

9

Machine Learning

“The goal of machine learning is to build computer systems that can adapt and learn from their experience.”

– Tom Dietterich

10

Types of Analytics

10

Traditional BI Deployed ML

11

¿Cuándo debo usar Machine Learning?

• Predicción automatizada es el objetivo

• Datos históricos ya disponibles

• “Números mágicos” en sistemas de actuales

Si

• La predicción es una pequeña parte de la experiencia

• No hay datos históricos disponibles

• Muchos de reglas de negocio gobiernan la experiencia

• Las predicciones no tienen un patrón predecible

No

12

Clases de problemas

Classification: Asignar una categoría a cada elemento (restaurante Chino | Francés | Hindú |

Italiano | japonés).

Regression: Predecir un valor real para cada elemento (valor de las acciones / efectivo,

temperatura).

Ranking: Ordenar artículos de acuerdo con algún criterio (búsqueda en la Web resulta relevante

para una consulta del usuario).

Clustering: Segmentar artículos en grupos homogéneos (carteras de clientes).

Dimensionality reduction: Transformar una representación inicial de elementos a una menor

representación dimensiones conservando algunas propiedades (preprocesamiento de imágenes

digitales).

Flujo basico del Machine Learning

Data

Model

Parameters

Learning Prediction

Decision Making

Utility Function

Metología básica

15

Introducción a Azure ML

15

16

Caracteristicas y Beneficios

16

• Accesible a través de un navegador web, sin necesidad de instalar software

• Colaboración en cualquier lugar a través del Azureworkspace

• Desarrollo 100% visual

• Extensible, soporte de R

• Experimentación rápida para crear modelos

• Rápidamente se pueden probar algoritmos de ML y estrategias de modelado

• Desplegar rápidamente modelo como servicio web Azure

17

☁ML API Service

consume publish

+

enterprise

customer

data

scientist

☁

ML Studio

IT Pro

Azure ML Web Service

18

Desde el problema de negocio hacia el Valor Agregado

Publish API in minutes

Devices Applications Dashboards

Data Microsoft Azure Machine Learning API

Storage space Web

Microsoft Azure portal

Workspace

MLStudio

Business problem Business valueModeling Deployment

HDInsight

Azure Storage

Desktop Data

DEMO: Azure ML

Preguntas?

SQL Server 2014 Backup Encryption

Percy Reyes

A continuación …

Gracias por participar