http://training.solidq.com Revisaremos diferencias iniciales sobre cosas que se pueden hacer y que no se pueden hacer (nativamente) y veremos casos concretos comparando rendimiento, precisión en los resultados, como lo haríamos en cada herramienta

1. #SQSummit
Maching Learning vs
SSAS Data Mining
Daniel Gil - DPS (dgil@solidq.com)
Pau Sempere – DPA
(psempere@solidq.com)

2. Contenido de la sesión
• Introducción
• Enfrentando las herramientas
• Limitaciones y diferencias
• Market Basket Analysis
• Clasificación
• Series temporales

3. Contenido de la sesión
• Introducción
• Enfrentando las herramientas
• Limitaciones y diferencias
• Market Basket Analysis
• Clasificación
• Series temporales

4. Introducción
SSAS Data Mining
• On premises
• Integrado en SSAS
• 9 algoritmos disponibles
• DMX

5. Introducción
Azure Machine Learning
• Cloud
• Múltiples orígenes, todos desde nube
• Transformaciones específicas
• 25+ algoritmos disponibles
• Integra Python y R
• Servicios web

6. Contenido de la sesión
• Introducción
• Enfrentando las herramientas
• Limitaciones y diferencias
• Market Basket Analysis
• Clasificación
• Series temporales

7. ¡Enfrentando las herramientas!

8. Contenido de la sesión
• Introducción
• Enfrentando las herramientas
• Limitaciones y diferencias
• Market Basket Analysis
• Clasificación
• Series temporales

9. Diferencias - Orígenes
Azure ML
• Hive
• SQL Database
• Blob Storage
• Table Storage
• Odata
• HTTP
SSAS Data Mining
• Bases de datos
• Cubos SSAS

10. Diferencias - Dimensionamiento
Azure ML
• 10 GB en total
• Hay módulos que
aceptan menos
• Recomendadores
• SMOTE
• Scripts (R, Python, SQL)
• Cross-validation, Tune
Model Hyperparameters
SSAS Data Mining
• Dependiente del
hardware

11. Diferencias - Tiempos
Azure ML
• 1 hora en versión free
• 7 días de ejecución
• 24 horas por módulo
SSAS Data Mining
• Ilimitado

12. Contenido de la sesión
• Introducción
• Enfrentando las herramientas
• Limitaciones y diferencias
• Market Basket Analysis
• Clasificación
• Series temporales

13. Market Basket Analysis
¿Qué compran nuestros usuarios?
¿Cómo lo compran? ¿Siguen un patrón?

14. Market Basket Analysis
Usuario Producto Cantidad
Dani Disfraz 1
Pau Disfraz 1
Dani Capa 1
Pau Cables 2
Pau Switch 1
Pau Capa 1
Usuario Edad Sueldo
Daniel 25 Poco
Pau 29 Menos aun

15. Market Basket Analysis
Usuario Edad Sueldo Producto Cantidad
Daniel 25 Poco Disfraz 1
Capa 1
Pau 29 Menos aun Disfraz 1
Capa 1
Cables 2
Switch 1

16. Market Basket Analysis
• Association rules / Árboles de decisión
• Podemos añadir clustering para identificar
patrones de compra

17. Demo
Market Basket Analysis con SSAS

18. Market Basket Analysis
• No hay un algoritmo específico
• Preprocesado del dato para darle otra forma
Matriz de productos / Usuarios
Dani Pau
Disfraz 1 1
Capa 1 1
Cable 0 1
Switch 0 1

19. Demo
Market Basket Analysis con Azure ML

20. Contenido de la sesión
• Introducción
• Enfrentando las herramientas
• Limitaciones y diferencias
• Market Basket Analysis
• Clasificación
• Series temporales

21. Clasificación
• Predicción de categorías
• Muerto / vivo
• Solvente / deudor
• Comprador / no comprador
• …

22. Clasificación

23. Clasificación
• Varios algoritmos:
• Árboles de decision
• Múltiples modos de ejecución
• Regresión logística
• Red neural
• Clustering
• Análisis de precisión
• Lift chart
• Profit chart
• Red de dependencias

24. Clasificación
• Múltiples algoritmos
• Boosted decision tree
• Red neural
• Regresión logística
• Máquina bayesiana
• …
• Análisis de precisión
• ROC
• Lift chart
• Puntuaciones ponderadas

25. Demo
Clasificación binaria

26. Contenido de la sesión
• Introducción
• Enfrentando las herramientas
• Limitaciones y diferencias
• Market Basket Analysis
• Clasificación
• Series temporales

27. Series temporales
• Datos sobre un eje temporal / numérico
• Cumplen patrones cíclicos

28. Series temporales
• Dos algoritmos nativos
• ARTXP
• ARIMA
• Comprar contra casos conocidos (training-test)
• Visualmente
• Métricas de error

29. Series temporales
• No hay un algoritmo nativo
• Pero siempre está … 
• ARIMA
• ETS
• Otros
• Mismo método para estimar la precision que
en SSAS

30. Demo
Series temporales

31. Conclusiones
Azure ML
• Fuentes Azure
• Variedad de algoritmos
• R! Python!
• 100 % Online
• Todo en 1
SSAS Data Mining
• On premises
• Sin limite de datos y
tiempos
• Menos algoritmos nativos
• Necesidad de
herramientas
complementarias

32. ¿PREGUNTAS?

33. También puedes preguntar tus
dudas con el hashtag
#SQSummit en Twitter
ADAPTIVE BI FRAMEWORK
Te ayudaremos a mejorar la velocidad de desarrollo de tu plataforma de
analítica de negocio basada en nuestra experiencia:
•Diseña antes de construir
•Automatización de procesos por ETL
•Servicios de mentoring para ayudarte a conseguir mejores prácticas para la construcción
de procesos específicos y plataformas de analítica de negocio
•Muy fácil de mantener
SOLIDQ FLEX SERVICES
Con SolidQ Flex Services evitarás sustos, consiguiendo que tus sistemas
sean estables. Desde una solución sencilla de monitorización, hasta un
servicio de atención de incidencias 24/7, mantenimiento proactivo,
resolución de problemas y línea de soporte.
Todo con un coste fijo mensual… y tú dedica el tiempo a las cosas
importantes.
¡Gracias!