2. ОБО МНЕ
Александр КондуфоровData Science Group Leader,
Software Architect @ AltexSoft
В прошлом – .NET разработчик, Software Architect,
Project Lead
Kharkov AI club
3. СОДЕРЖАНИЕ
1. Что такое Machine Learning, зачем он нужен
2. Примеры применений ML
3. Типы обучения
4. Популярные ML-алгоритмы
5. Supervised Learning workflow
6. ML в .NET
7. Обзор Azure ML Services
8. Azure ML demo
4. MACHINE LEARNING
“Field of study that gives computers the ability
to learn without being explicitly programmed”
Arthur Samuel
6. КОГДА НЕ ОБОЙТИСЬ БЕЗ ML
• Человек не может объяснить свой опыт и создать алгоритм –
распознавание образов, голоса, координация движений и т.д.
• Человеческий опыт не существует как таковой – навигация на
Марсе
• Обстановка меняется со временем и нужно адаптироваться –
биометрия людей, биржевые индексы, цены на недвижимость
14. DECISION TREE / RANDOM FOREST
Создание дерева на основании данных и определение
условий в каждом узле дерева.
15. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ
Построены на базе нейронов мозга
Множество видов:
• многослойный перцептрон
• сеть Хопфилда
• сеть Кохонена
• неокогнитрон
• спайковые сети
• сверточные сети
18. SUPERVISED LEARNING WORKFLOW
• Data analysis and preprocessing (cleaning, transformation)
• Feature engineering (new, correlated)
• Fit selected model (training data)
• Evaluate model (test data, choose error type)
• Change data, algorithm and model parameters until
satisfied
• Use model for predictions
19. GENERALIZATION VS. MEMORIZATION
Overfitting – features of the model that arise from relations that are in
the training data, but not representative of the general population.
25. ОСНОВНЫЕ ВОЗМОЖНОСТИ
• ML Studio
• Built-in data preprocessing and ML algorithms
• Integration with Azure data storages and other services
• Plots for data analysis
• R support
• Fast conversion to web-service
Обучаем машину на примерах (данные)
Алгоритм сохраняет «знания» о примерах во внутренней математической модели
Предсказываем новые данные, используя обученную модель