SlideShare a Scribd company logo
1 of 14
Download to read offline
Инструменты машинного знания, как сервис Azure MachineLearning 
Виктор ЦикуновМайкрософт Украина
Содержание 
Что такое Azure? 
Как работает Azure Machine Learning? 
Демо 
Какие задачи можно решать
Azure footprint 
16 регионов в мире в2014 
Дата центры 
Региональные партнеры
Fortune 500 using Azure 
>57% 
>300k 
Active websites 
More than 
1,000,000 
SQL Databases in Azure 
>30 
TRILLIONstorage objects 
>300 
MILLION 
AAD users 
>13 
BILLION 
authentication/wk 
>3 
MILLIONrequests/sec 
>1.65 
MILLION 
Developers registered with Visual Studio Online
Microsoft Azure Services 
Client layer 
(on-premises) 
Tablet Phone 
Games 
PC console 
On-premises 
Office Add-in Browser database 
On-premises 
service 
AD 
Multifactor 
Authentication 
Access Control 
Layer 
Integration 
layer 
Service Bus CDN 
BizTalk 
Services 
Traffic 
Manager 
Virtual 
Networks 
Express 
Route 
Application 
layer 
API Mgmt Websites 
Cloud 
Services VM 
Mobile 
Services 
Media 
Services 
Notification 
Hubs Scheduler Automation 
Data Layer 
Storage Blobs Tables Queues Data 
Machine 
Learning HD Insight 
Backup and 
Recovery 
SQL 
Database Caching StorSimple
Почта США обрабатывает более 150 миллиардов писем и посылок за год –слишком много для эффективной ручной сортировки. 
Не так давно, в 1997, только 10% корреспонденции с написанным рукой адресом сортировалось автоматически.
Проблема автоматизации в обучении компьютеров понимать бесконечные вариации рукописного текста
Постоянные отзывы помогли почте США обучить таки компьютеры читать рукописный текст. 
Сейчас более 98% корреспонденции обрабатываются машинами.
SQL Server Получил функции Data Mining 
Фильтрация СПАМа 
Microsoft Kinect понимает жесты людей 
Microsoft запускаетAzure Machine Learning 
Поисковые системы Microsoft начали использовать Data Mining 
Bing Maps начали исполь- зоватьML механизмы для предсказания трафика 
Успешное распознавание голоса в реальном времени 
Microsoft & Machine Learning15 лет инноваций 
John Platt, Distinguished scientist at Microsoft Research 
1999 
2012 
2008 
2004 
2014 
2010 
2005 
Машинное обучение широко распространено во всех продуктах Microsoft. 
“ 
”
Azure Portal 
Azure Ops Team 
ML Studio 
Аналитик 
HDInsight 
Azure Storage 
Desktop Data 
& 
ML API service 
Web Apps Mobile Apps PowerBI/Dashboards 
ML API service Разработчик
Демо 
Azure Machine Learning в жизни
Представьте себе, что машинное обучение может сделать для вашего бизнеса. 
Анализ оттока клиентов 
Мониторинг оборудования 
Фильтрация СПАМа 
Таргетированиерекламы 
Рекомендации 
Выявление мошенничества 
Выявление и классификация изображений 
Прогноз- ирование 
Выявление аномалий
Viktor.Tsykunov@microsoft.com
azure.com/ml

More Related Content

What's hot

Презентация MS Azure
Презентация MS AzureПрезентация MS Azure
Презентация MS AzureDmitry Moskvin
 
Тренинги по Azure для AWS-профессионалов
Тренинги по Azure для AWS-профессионаловТренинги по Azure для AWS-профессионалов
Тренинги по Azure для AWS-профессионаловAlexander Babich
 
Microsoft Azure - введение в основные сервисы для разработки и инфраструктуры...
Microsoft Azure - введение в основные сервисы для разработки и инфраструктуры...Microsoft Azure - введение в основные сервисы для разработки и инфраструктуры...
Microsoft Azure - введение в основные сервисы для разработки и инфраструктуры...Microsoft
 
Николай Марин — IBM — ICBDA2016
Николай Марин — IBM — ICBDA2016Николай Марин — IBM — ICBDA2016
Николай Марин — IBM — ICBDA2016rusbase
 
Инфраструктура как услуга (IaaS) в Windows Azure
Инфраструктура как услуга (IaaS) в Windows AzureИнфраструктура как услуга (IaaS) в Windows Azure
Инфраструктура как услуга (IaaS) в Windows AzureNatalia Efimtseva
 
Windows azure
Windows azureWindows azure
Windows azureExpolink
 
Mobile services meetup - short version
Mobile services meetup - short versionMobile services meetup - short version
Mobile services meetup - short versionMicrosoft
 
Petrov Cloud for corporate customer
Petrov Cloud for corporate customerPetrov Cloud for corporate customer
Petrov Cloud for corporate customerAnton Petrov
 

What's hot (10)

Презентация MS Azure
Презентация MS AzureПрезентация MS Azure
Презентация MS Azure
 
Тренинги по Azure для AWS-профессионалов
Тренинги по Azure для AWS-профессионаловТренинги по Azure для AWS-профессионалов
Тренинги по Azure для AWS-профессионалов
 
Microsoft Azure - введение в основные сервисы для разработки и инфраструктуры...
Microsoft Azure - введение в основные сервисы для разработки и инфраструктуры...Microsoft Azure - введение в основные сервисы для разработки и инфраструктуры...
Microsoft Azure - введение в основные сервисы для разработки и инфраструктуры...
 
Николай Марин — IBM — ICBDA2016
Николай Марин — IBM — ICBDA2016Николай Марин — IBM — ICBDA2016
Николай Марин — IBM — ICBDA2016
 
Инфраструктура как услуга (IaaS) в Windows Azure
Инфраструктура как услуга (IaaS) в Windows AzureИнфраструктура как услуга (IaaS) в Windows Azure
Инфраструктура как услуга (IaaS) в Windows Azure
 
Ms it cup bruce-aams
Ms it cup bruce-aamsMs it cup bruce-aams
Ms it cup bruce-aams
 
Cloud startup (active cloud)
Cloud startup (active cloud)Cloud startup (active cloud)
Cloud startup (active cloud)
 
Windows azure
Windows azureWindows azure
Windows azure
 
Mobile services meetup - short version
Mobile services meetup - short versionMobile services meetup - short version
Mobile services meetup - short version
 
Petrov Cloud for corporate customer
Petrov Cloud for corporate customerPetrov Cloud for corporate customer
Petrov Cloud for corporate customer
 

Similar to FOSS Sea 2014_Виктор Цикунов (Microsoft Ukraine)_Инструменты машинного знания, как сервис

Inevitability of the cloud 2015 (Russ)
Inevitability of the cloud 2015 (Russ)Inevitability of the cloud 2015 (Russ)
Inevitability of the cloud 2015 (Russ)Vladislav Shershulsky
 
Microsoft Azure: снижение затрат, безопасность, Internet of Things
Microsoft Azure: снижение затрат, безопасность, Internet of ThingsMicrosoft Azure: снижение затрат, безопасность, Internet of Things
Microsoft Azure: снижение затрат, безопасность, Internet of ThingsIevgen Vladimirov
 
Windows Embedded Day - От устройств к облаку - референсная архитектура IoT
Windows Embedded Day - От устройств к облаку - референсная архитектура IoTWindows Embedded Day - От устройств к облаку - референсная архитектура IoT
Windows Embedded Day - От устройств к облаку - референсная архитектура IoTMicrosoft
 
Александр Белоцерковский (Microsoft)
Александр Белоцерковский (Microsoft)Александр Белоцерковский (Microsoft)
Александр Белоцерковский (Microsoft)Edutainme
 
Дмитрий Кирьянов — Полибук Мультимедиа — ICBDA2016
Дмитрий Кирьянов — Полибук Мультимедиа — ICBDA2016Дмитрий Кирьянов — Полибук Мультимедиа — ICBDA2016
Дмитрий Кирьянов — Полибук Мультимедиа — ICBDA2016rusbase
 
Alexander Belotserkovskiy, Vsevolod Ivanov, Microsoft
Alexander Belotserkovskiy, Vsevolod Ivanov, MicrosoftAlexander Belotserkovskiy, Vsevolod Ivanov, Microsoft
Alexander Belotserkovskiy, Vsevolod Ivanov, MicrosoftWhite Nights Conference
 
Построение решений для SmartThings на базе PTC ThingWorx и Vuforia
Построение решений для SmartThings на базе PTC ThingWorx и VuforiaПостроение решений для SmartThings на базе PTC ThingWorx и Vuforia
Построение решений для SmartThings на базе PTC ThingWorx и VuforiaDmitry Kiryanov
 
AiCare - самоорганизующийся сервис управления
AiCare - самоорганизующийся сервис управленияAiCare - самоорганизующийся сервис управления
AiCare - самоорганизующийся сервис управленияКварта Технологии
 
Презентация КлаудМастер
Презентация КлаудМастерПрезентация КлаудМастер
Презентация КлаудМастерlilyerma
 
Микросервисы в .NET Core
Микросервисы в .NET CoreМикросервисы в .NET Core
Микросервисы в .NET CoreAndrew Gubskiy
 
Александр Белоцерковский — Microsoft — ICBDA2016
Александр Белоцерковский — Microsoft — ICBDA2016Александр Белоцерковский — Microsoft — ICBDA2016
Александр Белоцерковский — Microsoft — ICBDA2016rusbase
 
GoTo Hackathon 2016 Анализ данных с помощью облачных инструментов Microsoft
GoTo Hackathon 2016 Анализ данных с помощью облачных инструментов MicrosoftGoTo Hackathon 2016 Анализ данных с помощью облачных инструментов Microsoft
GoTo Hackathon 2016 Анализ данных с помощью облачных инструментов MicrosoftMicrosoft
 
Roman Zdebskiy - Windows Azure
Roman Zdebskiy - Windows AzureRoman Zdebskiy - Windows Azure
Roman Zdebskiy - Windows AzureAndrew Mayorov
 
(Russian) IT Architecture Practice for Telecom Operator
(Russian)  IT Architecture Practice for Telecom Operator(Russian)  IT Architecture Practice for Telecom Operator
(Russian) IT Architecture Practice for Telecom OperatorNikolay Marin
 
IT-инфраструктура
IT-инфраструктураIT-инфраструктура
IT-инфраструктураSoftline
 
Rus ibm cloud computing
Rus ibm cloud computingRus ibm cloud computing
Rus ibm cloud computingAlexey Ivlev
 
Зачем нужен Cloud. Реализация облачных моделей IaaS и PaaS от Microsoft
Зачем нужен Cloud. Реализация облачных моделей IaaS и PaaS от MicrosoftЗачем нужен Cloud. Реализация облачных моделей IaaS и PaaS от Microsoft
Зачем нужен Cloud. Реализация облачных моделей IaaS и PaaS от Microsoftpcweek_ua
 
Що таке хмарні технології на прикладі кулера з водою
Що таке хмарні технології на прикладі кулера з водоюЩо таке хмарні технології на прикладі кулера з водою
Що таке хмарні технології на прикладі кулера з водоюMicrosoft Ukraine
 

Similar to FOSS Sea 2014_Виктор Цикунов (Microsoft Ukraine)_Инструменты машинного знания, как сервис (20)

Inevitability of the cloud 2015 (Russ)
Inevitability of the cloud 2015 (Russ)Inevitability of the cloud 2015 (Russ)
Inevitability of the cloud 2015 (Russ)
 
Microsoft Azure: снижение затрат, безопасность, Internet of Things
Microsoft Azure: снижение затрат, безопасность, Internet of ThingsMicrosoft Azure: снижение затрат, безопасность, Internet of Things
Microsoft Azure: снижение затрат, безопасность, Internet of Things
 
Windows Embedded Day - От устройств к облаку - референсная архитектура IoT
Windows Embedded Day - От устройств к облаку - референсная архитектура IoTWindows Embedded Day - От устройств к облаку - референсная архитектура IoT
Windows Embedded Day - От устройств к облаку - референсная архитектура IoT
 
Александр Белоцерковский (Microsoft)
Александр Белоцерковский (Microsoft)Александр Белоцерковский (Microsoft)
Александр Белоцерковский (Microsoft)
 
Дмитрий Кирьянов — Полибук Мультимедиа — ICBDA2016
Дмитрий Кирьянов — Полибук Мультимедиа — ICBDA2016Дмитрий Кирьянов — Полибук Мультимедиа — ICBDA2016
Дмитрий Кирьянов — Полибук Мультимедиа — ICBDA2016
 
Alexander Belotserkovskiy, Vsevolod Ivanov, Microsoft
Alexander Belotserkovskiy, Vsevolod Ivanov, MicrosoftAlexander Belotserkovskiy, Vsevolod Ivanov, Microsoft
Alexander Belotserkovskiy, Vsevolod Ivanov, Microsoft
 
Построение решений для SmartThings на базе PTC ThingWorx и Vuforia
Построение решений для SmartThings на базе PTC ThingWorx и VuforiaПостроение решений для SmartThings на базе PTC ThingWorx и Vuforia
Построение решений для SmartThings на базе PTC ThingWorx и Vuforia
 
AiCare - self-organizing device management service
AiCare - self-organizing device management serviceAiCare - self-organizing device management service
AiCare - self-organizing device management service
 
AiCare - самоорганизующийся сервис управления
AiCare - самоорганизующийся сервис управленияAiCare - самоорганизующийся сервис управления
AiCare - самоорганизующийся сервис управления
 
Ms it cup win-team - мевв
Ms it cup   win-team - меввMs it cup   win-team - мевв
Ms it cup win-team - мевв
 
Презентация КлаудМастер
Презентация КлаудМастерПрезентация КлаудМастер
Презентация КлаудМастер
 
Микросервисы в .NET Core
Микросервисы в .NET CoreМикросервисы в .NET Core
Микросервисы в .NET Core
 
Александр Белоцерковский — Microsoft — ICBDA2016
Александр Белоцерковский — Microsoft — ICBDA2016Александр Белоцерковский — Microsoft — ICBDA2016
Александр Белоцерковский — Microsoft — ICBDA2016
 
GoTo Hackathon 2016 Анализ данных с помощью облачных инструментов Microsoft
GoTo Hackathon 2016 Анализ данных с помощью облачных инструментов MicrosoftGoTo Hackathon 2016 Анализ данных с помощью облачных инструментов Microsoft
GoTo Hackathon 2016 Анализ данных с помощью облачных инструментов Microsoft
 
Roman Zdebskiy - Windows Azure
Roman Zdebskiy - Windows AzureRoman Zdebskiy - Windows Azure
Roman Zdebskiy - Windows Azure
 
(Russian) IT Architecture Practice for Telecom Operator
(Russian)  IT Architecture Practice for Telecom Operator(Russian)  IT Architecture Practice for Telecom Operator
(Russian) IT Architecture Practice for Telecom Operator
 
IT-инфраструктура
IT-инфраструктураIT-инфраструктура
IT-инфраструктура
 
Rus ibm cloud computing
Rus ibm cloud computingRus ibm cloud computing
Rus ibm cloud computing
 
Зачем нужен Cloud. Реализация облачных моделей IaaS и PaaS от Microsoft
Зачем нужен Cloud. Реализация облачных моделей IaaS и PaaS от MicrosoftЗачем нужен Cloud. Реализация облачных моделей IaaS и PaaS от Microsoft
Зачем нужен Cloud. Реализация облачных моделей IaaS и PaaS от Microsoft
 
Що таке хмарні технології на прикладі кулера з водою
Що таке хмарні технології на прикладі кулера з водоюЩо таке хмарні технології на прикладі кулера з водою
Що таке хмарні технології на прикладі кулера з водою
 

More from GeeksLab Odessa

DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...
DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...
DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...GeeksLab Odessa
 
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...GeeksLab Odessa
 
DataScience Lab 2017_Блиц-доклад_Турский Виктор
DataScience Lab 2017_Блиц-доклад_Турский ВикторDataScience Lab 2017_Блиц-доклад_Турский Виктор
DataScience Lab 2017_Блиц-доклад_Турский ВикторGeeksLab Odessa
 
DataScience Lab 2017_Обзор методов детекции лиц на изображение
DataScience Lab 2017_Обзор методов детекции лиц на изображениеDataScience Lab 2017_Обзор методов детекции лиц на изображение
DataScience Lab 2017_Обзор методов детекции лиц на изображениеGeeksLab Odessa
 
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...GeeksLab Odessa
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладGeeksLab Odessa
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладGeeksLab Odessa
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладGeeksLab Odessa
 
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...GeeksLab Odessa
 
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...GeeksLab Odessa
 
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко GeeksLab Odessa
 
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...GeeksLab Odessa
 
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...GeeksLab Odessa
 
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...GeeksLab Odessa
 
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...GeeksLab Odessa
 
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...GeeksLab Odessa
 
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...GeeksLab Odessa
 
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот GeeksLab Odessa
 
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...GeeksLab Odessa
 
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js GeeksLab Odessa
 

More from GeeksLab Odessa (20)

DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...
DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...
DataScience Lab2017_Коррекция геометрических искажений оптических спутниковых...
 
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...
DataScience Lab 2017_Kappa Architecture: How to implement a real-time streami...
 
DataScience Lab 2017_Блиц-доклад_Турский Виктор
DataScience Lab 2017_Блиц-доклад_Турский ВикторDataScience Lab 2017_Блиц-доклад_Турский Виктор
DataScience Lab 2017_Блиц-доклад_Турский Виктор
 
DataScience Lab 2017_Обзор методов детекции лиц на изображение
DataScience Lab 2017_Обзор методов детекции лиц на изображениеDataScience Lab 2017_Обзор методов детекции лиц на изображение
DataScience Lab 2017_Обзор методов детекции лиц на изображение
 
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...
DataScienceLab2017_Сходство пациентов: вычистка дубликатов и предсказание про...
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-доклад
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-доклад
 
DataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-докладDataScienceLab2017_Блиц-доклад
DataScienceLab2017_Блиц-доклад
 
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...
DataScienceLab2017_Cервинг моделей, построенных на больших данных с помощью A...
 
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...
DataScienceLab2017_BioVec: Word2Vec в задачах анализа геномных данных и биоин...
 
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко
DataScienceLab2017_Data Sciences и Big Data в Телекоме_Александр Саенко
 
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...
DataScienceLab2017_Высокопроизводительные вычислительные возможности для сист...
 
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...
DataScience Lab 2017_Мониторинг модных трендов с помощью глубокого обучения и...
 
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...
DataScience Lab 2017_Кто здесь? Автоматическая разметка спикеров на телефонны...
 
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...
DataScience Lab 2017_From bag of texts to bag of clusters_Терпиль Евгений / П...
 
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...
DataScience Lab 2017_Графические вероятностные модели для принятия решений в ...
 
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...
DataScienceLab2017_Оптимизация гиперпараметров машинного обучения при помощи ...
 
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот
DataScienceLab2017_Как знать всё о покупателях (или почти всё)?_Дарина Перемот
 
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...
JS Lab 2017_Mapbox GL: как работают современные интерактивные карты_Владимир ...
 
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js
JS Lab2017_Под микроскопом: блеск и нищета микросервисов на node.js
 

FOSS Sea 2014_Виктор Цикунов (Microsoft Ukraine)_Инструменты машинного знания, как сервис

  • 1. Инструменты машинного знания, как сервис Azure MachineLearning Виктор ЦикуновМайкрософт Украина
  • 2. Содержание Что такое Azure? Как работает Azure Machine Learning? Демо Какие задачи можно решать
  • 3. Azure footprint 16 регионов в мире в2014 Дата центры Региональные партнеры
  • 4. Fortune 500 using Azure >57% >300k Active websites More than 1,000,000 SQL Databases in Azure >30 TRILLIONstorage objects >300 MILLION AAD users >13 BILLION authentication/wk >3 MILLIONrequests/sec >1.65 MILLION Developers registered with Visual Studio Online
  • 5. Microsoft Azure Services Client layer (on-premises) Tablet Phone Games PC console On-premises Office Add-in Browser database On-premises service AD Multifactor Authentication Access Control Layer Integration layer Service Bus CDN BizTalk Services Traffic Manager Virtual Networks Express Route Application layer API Mgmt Websites Cloud Services VM Mobile Services Media Services Notification Hubs Scheduler Automation Data Layer Storage Blobs Tables Queues Data Machine Learning HD Insight Backup and Recovery SQL Database Caching StorSimple
  • 6. Почта США обрабатывает более 150 миллиардов писем и посылок за год –слишком много для эффективной ручной сортировки. Не так давно, в 1997, только 10% корреспонденции с написанным рукой адресом сортировалось автоматически.
  • 7. Проблема автоматизации в обучении компьютеров понимать бесконечные вариации рукописного текста
  • 8. Постоянные отзывы помогли почте США обучить таки компьютеры читать рукописный текст. Сейчас более 98% корреспонденции обрабатываются машинами.
  • 9. SQL Server Получил функции Data Mining Фильтрация СПАМа Microsoft Kinect понимает жесты людей Microsoft запускаетAzure Machine Learning Поисковые системы Microsoft начали использовать Data Mining Bing Maps начали исполь- зоватьML механизмы для предсказания трафика Успешное распознавание голоса в реальном времени Microsoft & Machine Learning15 лет инноваций John Platt, Distinguished scientist at Microsoft Research 1999 2012 2008 2004 2014 2010 2005 Машинное обучение широко распространено во всех продуктах Microsoft. “ ”
  • 10. Azure Portal Azure Ops Team ML Studio Аналитик HDInsight Azure Storage Desktop Data & ML API service Web Apps Mobile Apps PowerBI/Dashboards ML API service Разработчик
  • 11. Демо Azure Machine Learning в жизни
  • 12. Представьте себе, что машинное обучение может сделать для вашего бизнеса. Анализ оттока клиентов Мониторинг оборудования Фильтрация СПАМа Таргетированиерекламы Рекомендации Выявление мошенничества Выявление и классификация изображений Прогноз- ирование Выявление аномалий