Post on 06-Jul-2015
description
transcript
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