Microsoft Azure Machine Learning

#AzureML
Bahrudin Hrnjica
@bhrnjica
http://bhrnjica.net

Azure mainsko uenje

ta je mainsko uenje (Machine Learning)
Problemi koje rjeava mainsko uenje
Tipovi mainskog uenja
Overfiting

Microsoft Azure Machine Learning

Kratki uvod u Azure ML
Demo 1: Klasifikacijaki problem.
Preivjeti Titanik

Demo 2: Problem Aproksimacije/Regresije

Predvianje kvaliteta vode rijeke Une

Demo 3: Publiciranje rjeenja

Publiciranje treniranog algoritma kao web servisa

Azure ML Marketplace
Publiciranje i prodaja vlastitih ML rjeenja.

Zakljuak

Veliko pitanje za FIFA

2014 World Cup:
Ko e biti Paul II?

 CORTANA pogodila
15 od 16 utakmica u
Knock Out fazi

ta je mainsko uenje/Machine
Learning

The goal of machine learning is to build computer

systems that can adapt and learn from their
experience.
Tom Dietterich

Rezultat mainskog uenja jeste izgradnja takvih

kompjuterskih sistema koji se prilagoavaju i ue iz
svog iskustva.

Tom Dietterich

I believe over the next

decade computing will
become even more
ubiquitous and intelligence
will become ambient...This
will be made possible by
an ever-growing network
of connected devices,
incredible computing
capacity from the cloud,
insights from big data, and
intelligence from machine

If you invent a
breakthrough in
Artificial
Intelligence, so
machinescan
learn, that
isworth 10

Prepoznavanje rukopisa
1

Podaci za uenje

Accurate digit
classifier

2
Mainsko uenje

Prepoznavanje pokreta kod Kinect

ureaja

training data

ML system

Traenje pravila u podacima

X

FALSE

FALSE

TRUE

FALSE

TRUE

FALSE

FALSE

FALSE

TRUE

FALSE

FALSE

FALSE

TRUE

TRUE

FALSE

TRUE

FALSE

TRUE

FALSE

TRUE

10

TRUE

10

TRUE

15

TRUE

12

TRUE

12

TRUE

15

TRUE

Programiranje vs. Mainsko

uenje
PODACI

PROGRAM

PODACI

IZLAZ

KOMP.

KOMP.

IZLAZ

PROGRAM

Osnovni tipovi problema koje ML

rjeava
Nadgledano uenje
Klasifikacijski problem rad sa klasama, mogu biti binarne ili viestruke.
(prepoznavanje oblika, lica, prepoznavanje znakova, slova, prepoznavanje
govora, predvianje bolesti, )
Regresijski problem rad sa kontinualnim brojevima, izgradnja matematike
formule koja opisuje podatke(burza, prognoza vremena, predvidjanje kvaliteta
vode rijeke Une, predvianje vrijednosti J Integrala u elastoplastinoj mehanici
loma).

Nenadgledano uenje
Klastering klasterizacija sa k-srednjih vrijednosti, dijeljenje prostora uenja u
specifine grupe(image processing, )

Uenje sa pojaavanjem
Igre, kretanje robota u lavirintu,

Nadgledano vs. Nenadgledano uenje

Nadgledano uenje

x2

Nenadgledano
uenje

x2

x1

x1

Overfitting
Model izuzetno dobro modelira podatke.
Model loe predvidja podatke.

Koraci u izgradnji ML Rjeenja

5
Nadzor nad
performanc
ama
modela

4
Publikacija
modela

1
Re/Definisa
nje
Poslovnog/I
ninjerskog
problema
1
Definicanje
cilja

2
Rad sa
rezultatima
5
Evaluacija
Modela

3
Iterativni
razvoj
modela

4
Fitovanje
Modela

2
Definisanje
Izvedenih
parametar
a

3
Odabir
parametar
a

Microsoft Azure Machine Learning

Uiniti mainsko uenje dostupno svakoj kompaniji,
istraivau, developeru i korisniku preko svakog
ureaja od mobitela do PC.

Microsoft Azure Machine Learning

Web Apps

Mobile Apps

ML API service

PowerBI/Dashboar
ds

Developer

Azure Portal &

ML API service

ML Studio

Azure Ops
Team

Data Scientist

HDInsight
Azure Storage
Desktop Data

Microsoft Azure Machine Learning

Web Apps

Mobile Apps

PowerBI/Dashboar
ds

ML
service
and the Developer
MLAPI
API
service

Poslovni korisnici lahko

pristupaju rezultatima: od
bilo gdje i sa bilo kojeg
ureaja

Developer

Testirani modeli dostupni su u obliku web servisa

Azure Portal
& ML API
Azure
Portal
&
service
ML API service
Formiranje ML Studio
radnog prostora
Validan Storage raun
Azure
Ops
Monitoring ML konzumacije
Team
Notifikacije kad je model
spreman

ML
MLStudio
Studio
Pristup i Priprema
podataka
Formiranje, treniranje i
testiranje modela
Data
Scientist
Kolaboracija
Jednostavno publiciranje
rjeenja preko API servisa.

HDInsight
Azure Storage
Desktop Data

Azure Machine Learning u 3 Koraka

DEMO 0: Intro AML

DEMO 1: Kako preivjeti Titanik

Matrica konfuzije (Confusion matrix)

Stvarno
true
p
o
s
i
t
P i
r v
e e
d n
v e
i g
a
a t
n i
j v
e e

false

TP true positive (broj stvarno pozitivnih

primjera, koji su tano predvienih modelom.)
FP false positive (broj stvarno negativnih
primjera, koji su netano predvieni.)
TN true negative (broj stvarno negativnih
primjera, koji su tano predvieni)
FN false negative (broj stvarno pozitivnih
primejra, koji su netano predvieni.)

DEMO 2: Predvianje kvalitete vode

rijeke Une

DEMO 3: Publiciranje Modela kao Web

Servisa

Azure ML Marketplaca
ML Aps
Marketplace
Proizvodn
ja

ML Web Service

ML Studio

ML Algorithms

Konzumaci
ja

Zakljuak: Zato Azure ML

Evaluacija modela
Jednostavna komparacija i evaluacija razliitih modela.
Powerful toolset to deal with data.
Integracija sa R i Python jezicima

Web Servis API

ML Model se lahko moe publicirati kao Web Service.
Mogunost preuzimanja Modela kroz Excel datoteku.
Jednostavna konzumacija modela kao REST WS-API.
Nemoe se skinuti u obliku .NET dll API.

GPdotNET
GPdotNET
- .NET open source projekat za modeliranje
Neuronskim mreama i Genetskim Algoritmom.
http://gpdotnet.codeplex.com
Desetine magistarskih i doktorskih,
naunih,radova, citiran u knjigama.

Web Resursi
https://studio.azureml.net / - Zvanini portal Azure ML
http://blogs.technet.com/b/machinelearning / - Azure ML Blog
Machine Learning
Yaser S. Abu-Mostafa - California Institute of Technology
Caltech: https://work.caltech.edu/
Caltech Course of ML:
http://www.youtube.com/watch?v=MEG35RDD7RA&list=PLD63A284B7615313A

Stanford video or Coursera Course

Azure ML Intro Damir Dobric Blog
Episode I, Episode II,