Облачная аналитика Big Data при помощи машинного обучения

12.11.2018

В чём ценность использования интеллектуального анализа данных? Какова цель извлечения тех знаний, которые сокрыты в накопленных Вами данных? Отвечая на эти вопросы Вы так или иначе придёте к следующим выводам:

1. В понимании каковы причины прошлых неудач или неожиданных успехов.
2. В лучшем понимании своей продуктовой линейки, своих клиентов или своей собственной организации.
3. В планировании и прогнозировании того, что будет происходить более точно, чем просто моделируя события.
4. В том, чтобы более осмысленно экспериментировать с новыми идеями, прежде чем на их основе рисковать бизнесом.
5. В конце концов, чтобы вести свой бизнес на поле аналитики данных.

На сегодняшний день передовая аналитика – это огромные объёмы накопленных, зачастую, разнородных, данных, дополненные современными средствами визуализации, такими как Power BI, Tableau, QlikView. Это традиционные OLAP кубы, использующие многомерные и табличные модели, приправленные классическими решениями Data Mining. Это хороший набор средств сбора и преобразования данных в рамках ETL процессов, включающих поиск нужных данных, а-ля Power Query.
По мере того, как мир движется к облаку, мы видим, что новые решения интеллектуальной аналитики, статистического и машинного обучения появляются в облаке Microsoft. Речь идёт о сервисах машинного обучения, представленных компанией в своём пространстве Azure.
Microsoft Azure Machine Learning, или просто  Azure ML, представляет собой облачную платформу для проектирования, разработки, тестирования и развёртывания интеллектуальных моделей. Эти модели могут использовать многие известные алгоритмы машинного обучения , такие как деревья решений или нейронные сети, чтобы найти полезные шаблоны в Ваших данных. Вы также можете использовать свой собственный или сторонний код, написанный на мощном и современном языке статистического анализа, просто называемом R, или запускать свой код Python , особенно если вам нравится использовать его популярные пакеты данных, такие как pandas, numpy, scipy или scikit-learn.
Сердцем инструментария Azure ML является ML Studio - веб-графическая среда, где Вы можете загружать данные или подключаться к ним, а также создавать и проверять свои модели, которые в Azure ML называют экспериментами. Такой эксперимент может состоять из нескольких моделей, иной дополнительной логики или других полезных вычислений, а также задач подготовки данных или шагов обработки данных.
Например, Вы можете создать простой эксперимент, который используется для описания шаблона, определяющий, может ли потенциальный клиент совершить несколько покупок в Вашем магазине на основе данных, представляющих покупки за всю жизнь работы с этим клиентом.
После того, как у вас есть модель, которая работает и которую вы успешно подтвердили, Вы можете захотеть развернуть её в общедоступное производство. И реализовать это можно, конечно же, с помощью облака, и именно здесь Microsoft Azure ML входит в свою сильную сторону: с помощью нескольких щелчков мыши Вы можете превратить эксперимент в вызываемый извне высокоэффективный веб-сервис. И этот сервис может предсказать, может ли клиент совершить несколько покупок, и поэтому он может быть использован как часть веб-приложения, возможно, чтобы решить, нужно ли этому клиенту уделять особое внимание, или, возможно, направить его на специальную страницу, описывающую ценности Ваших типовых продуктов.
Если вы хотите узнать больше о Azure ML, обязательно посетите курс 20774 «Облачная аналитика Big Data при помощи машинного обучения в Azure»
По окончании которого Вы с успехом сможете:

• Объяснить принципы работы механизмов машинного обучения, используемые алгоритмы и языки.
• Описать возможности машинного обучения в Azure и перечислить основные функции Azure Machine Learning Studio
• Загружать и исследовать различные типы данных для машинного обучения Azure
• Изучить и использовать методы подготовки наборов данных для использования с машинным обучением Azure
• Изучить и использовать методы подготовки и выборки данных для использования с машинным обучением Azure
• Изучить и использовать регрессионные алгоритмы и алгоритмы работы нейронных сетей в рамках машинного обучения Azure
• Изучить и использовать алгоритмы классификации и кластеризации в рамках машинного обучения Azure
• Использовать преимущества R и Python при работе с машинным обучением Azure
• Изучить и использовать гипер-параметры, множество алгоритмов и моделей для решения аналитических задач
• Предоставить пользователям доступ к результатам отработки моделей машинного обучения Azure
• Изучить и использовать подключения к когнитивным службам (Cognitive Services API) для обработки текста и изображений, создания рекомендаций и описание использования нейронных сетей в рамках машинного обучения Azure
• Изучить и использовать HDInsight в рамках машинного обучения Azure
• Изучить и использовать язык R и сервер R в рамках машинного обучения Azure
• Объяснить, как развернуть и настроить SQL Server для поддержки служб R.