SlideShare a Scribd company logo
1 of 22
DAT02 - Azure Machine Learning
Davide Mauri
dmauri@solidq.com - @mauridb
http://www.davidemauri.it/
#CDays15 – Milano 24, 25 e 26 Marzo 2015
Grazie a
Platinum
Sponsor
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Davide Mauri
• Microsoft SQL Server MVP
• Works with SQL Server from 6.5, on BI from 2003
• Specialized in Data Solution Architecture, Database Design, Performance
Tuning, High-Performance Data Warehousing, BI, Big Data
• President of UGISS (Italian SQL Server UG)
• Regular Speaker @ SQL Server events
• Consulting & Training, Mentor @ SolidQ
• E-mail: dmauri@solidq.com
• Twitter: @mauridb
• Blog: http://sqlblog.com/blogs/davide_mauri/default.aspx
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Agenda
• Machine Learning, uats dat?
• Supervised & Unsupervised Methods
• Tool e Linguaggi
• Esperimenti On-Premises
• Azure Machine Learning
• Integrazione di AzureML nelle applicazioni
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Machine Learning
Uats dat?
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Machine Learning
• Algoritmi che apprendono dai dati
• Niente di nuovo dal punto di vista scientifico
• "Field of study that gives computers the ability to learn without being explicitly
programmed“ - 1959, Arthur Samuel
• In Italiano: «Apprendimento Automatico»
• Nome meno bello ma più vicino alla realtà
• Richiede *molta* potenza di calcolo (anche per Not-So-Big Data)
• Azure, here we come! 
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Machine Learning
• Molto, molto, molto, molto utile per
• Identificare pattern sconosciuti e non “umanamente” identificabili
• Ad es. in spazi multi-dimensionali (da un punto di vista matematico e pratico, sono
oggetti con cui ci relazioniamo tutti i giorni)
• Identificare correlazioni nascoste
• Es. relazioni di causa/effetto per identificare frodi, eventi specifici (rottura di un pezzo)
• Classificare in automatico insiemi di dati
• Es. autore di provenienza di un testo, sentiment analysis, pattern recognition
• Anticipare il futuro basandosi su conoscenza passata
• Es. Analisi delle tendenze di prezzi, stock, costi
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Machine Learning
• Ci sono due (ma alcuni le dividono in cinque!) grosse categorie
• Supervised Learning
• Unsupervised Learning
• Supervised: agli algoritmi viene insegnato qual è il risultato atteso
• Unsupervised: gli algoritmi identificano in autonomia le regole / i
pattern
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Linguaggi
• Linguaggi comuni ed utilizzati attualmente
• R (MS ha appena acquisito Revolution Analytics)
• Pyton (Scikit-Learn – pron: “sy-kit learn”)
• In ambito .NET
• Infer.NET
• http://research.microsoft.com/en-us/um/cambridge/projects/infernet/
• F#
• http://fsharp.org/guides/machine-learning/index.html
• http://stackoverflow.com/questions/8068040/resources-for-working-with-machine-learning-
in-f
• Azure ML 
• Net# - Linguaggo specifico per Reti Neurali Artificiali
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
AzureML
• “Democratize Machine Learning”
• https://studio.azureml.net/
• Gratis (“Free Tier”) per dati fino a 10GB e per attività di test/sviluppo
• Sviluppo di esperimenti e pubblicazione degli algoritmi tramite Web
API / Service
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Tool
• RStudio
• IDE free per R, molto ben fatto
• http://www.rstudio.com/
• Anaconda Python
• Distribuzione di Python con tutti i package necessari per fare Data Science
• http://www.continuum.io/
• PyTools For Visual Studio
• Estensione per sviluppare con Python con Visual Studio   
• Team di sviluppo assorbito da AzureML
• https://pytools.codeplex.com/
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Esperimenti On-Premises
Flower Power!
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
IRIS Dataset
• Disponibile presso il sito UC Irvine Machine Learning Repository
• http://archive.ics.uci.edu/ml/datasets/Iris
• 150 classificazioni di fiori “iris”
• 3 classi: Virginica, Versicolor, Setosa
• 4 feature (dimensioni): Sepal Width & Length, Petal Width & Length
• Uno dei set più famosi
• Una classe linearmente separabile
• Le alter due classi NON sono linearmente separabili
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
IRIS Dataset
http://www.anselm.edu/homepage/jpitocch/genbi101/diversity3Plants.html
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
demo
IRIS Dataset
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Azure Machine Learning
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Azure Machine Learning
• www.azureml.com
• Azure ML Studio
• Web application per lo sviluppo dei modelli
• Processo di sviluppo
• Experiment
• Score
• Evaluate
• Publish
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
demo
Azure Machine Learning Studio
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Integrazione con Applicazioni
Custom
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Web Endpoint
• Azure Machine Learning permette di creare un endpoint web per
invocare l’algoritmo di ML da applicazioni custom
• Protocollo basato su JSON
• Insieme al web service viene creato anche
• Pagina di Help
• Endpoint per chiamata singola
• Endpoint per chiamata batch
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
demo
Custom Application
#CDays14 – Milano 25, 26 e 27 Febbraio 2014
Q&A
Tutto il materiale di questa sessione su
http://www.communitydays.it/
Lascia subito il feedback su questa sessione,
potrai essere estratto per i nostri premi!
Seguici su
Twitter @CommunityDaysIT
Facebook http://facebook.com/cdaysit
#CDays15

More Related Content

Viewers also liked

Real Time Power BI
Real Time Power BIReal Time Power BI
Real Time Power BIDavide Mauri
 
SSIS Monitoring Deep Dive
SSIS Monitoring Deep DiveSSIS Monitoring Deep Dive
SSIS Monitoring Deep DiveDavide Mauri
 
SQL Server 2016 What's New For Developers
SQL Server 2016  What's New For DevelopersSQL Server 2016  What's New For Developers
SQL Server 2016 What's New For DevelopersDavide Mauri
 
Agile Data Warehousing
Agile Data WarehousingAgile Data Warehousing
Agile Data WarehousingDavide Mauri
 
TweetMonitor: approcci Machine Learning e lessicali per la Sentiment Analysis...
TweetMonitor: approcci Machine Learning e lessicali per la Sentiment Analysis...TweetMonitor: approcci Machine Learning e lessicali per la Sentiment Analysis...
TweetMonitor: approcci Machine Learning e lessicali per la Sentiment Analysis...Luigiantonio Ionio
 
Smau Firenze 2015 - Startupitalia!
Smau Firenze 2015 - Startupitalia!Smau Firenze 2015 - Startupitalia!
Smau Firenze 2015 - Startupitalia!SMAU
 
MASTER "re-design Medicine" THE BOOKLET
MASTER "re-design Medicine" THE BOOKLETMASTER "re-design Medicine" THE BOOKLET
MASTER "re-design Medicine" THE BOOKLETGiorgia Zunino
 
"APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOME
"APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOME"APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOME
"APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOMEConcordia Srl
 
RETI NEURALI ARTIFICIALI E RETI NEURALI BAYESIANE
RETI NEURALI ARTIFICIALI E RETI NEURALI BAYESIANERETI NEURALI ARTIFICIALI E RETI NEURALI BAYESIANE
RETI NEURALI ARTIFICIALI E RETI NEURALI BAYESIANEFausto Intilla
 
Game of Thrones Infographic
Game of Thrones InfographicGame of Thrones Infographic
Game of Thrones InfographicValerio Capozio
 
Tecniche basate su machine learning per la determinazione del profilo di un a...
Tecniche basate su machine learning per la determinazione del profilo di un a...Tecniche basate su machine learning per la determinazione del profilo di un a...
Tecniche basate su machine learning per la determinazione del profilo di un a...kylanee
 
Dashboarding with Microsoft: Datazen & Power BI
Dashboarding with Microsoft: Datazen & Power BIDashboarding with Microsoft: Datazen & Power BI
Dashboarding with Microsoft: Datazen & Power BIDavide Mauri
 
[SLIDE] Tecniche basate su machine learning per la determinazione del profilo...
[SLIDE] Tecniche basate su machine learning per la determinazione del profilo...[SLIDE] Tecniche basate su machine learning per la determinazione del profilo...
[SLIDE] Tecniche basate su machine learning per la determinazione del profilo...kylanee
 
Reti Neurali
Reti NeuraliReti Neurali
Reti NeuraliAgabiti25
 
Temporal Snapshot Fact Tables
Temporal Snapshot Fact TablesTemporal Snapshot Fact Tables
Temporal Snapshot Fact TablesDavide Mauri
 
Corso Introduttivo alle Reti Neurali
Corso Introduttivo alle Reti NeuraliCorso Introduttivo alle Reti Neurali
Corso Introduttivo alle Reti NeuraliValerio Capozio
 
Machine Learning
Machine LearningMachine Learning
Machine Learningbutest
 
Introduzione ai Big Data e alla scienza dei dati - I formati dati
Introduzione ai Big Data e alla scienza dei dati - I formati datiIntroduzione ai Big Data e alla scienza dei dati - I formati dati
Introduzione ai Big Data e alla scienza dei dati - I formati datiVincenzo Manzoni
 
JugMarche: Machine learning: usi pratici di supervised learning
JugMarche: Machine learning: usi pratici di supervised learningJugMarche: Machine learning: usi pratici di supervised learning
JugMarche: Machine learning: usi pratici di supervised learningOnofrio Panzarino
 

Viewers also liked (20)

Data modeling facts
Data modeling factsData modeling facts
Data modeling facts
 
Real Time Power BI
Real Time Power BIReal Time Power BI
Real Time Power BI
 
SSIS Monitoring Deep Dive
SSIS Monitoring Deep DiveSSIS Monitoring Deep Dive
SSIS Monitoring Deep Dive
 
SQL Server 2016 What's New For Developers
SQL Server 2016  What's New For DevelopersSQL Server 2016  What's New For Developers
SQL Server 2016 What's New For Developers
 
Agile Data Warehousing
Agile Data WarehousingAgile Data Warehousing
Agile Data Warehousing
 
TweetMonitor: approcci Machine Learning e lessicali per la Sentiment Analysis...
TweetMonitor: approcci Machine Learning e lessicali per la Sentiment Analysis...TweetMonitor: approcci Machine Learning e lessicali per la Sentiment Analysis...
TweetMonitor: approcci Machine Learning e lessicali per la Sentiment Analysis...
 
Smau Firenze 2015 - Startupitalia!
Smau Firenze 2015 - Startupitalia!Smau Firenze 2015 - Startupitalia!
Smau Firenze 2015 - Startupitalia!
 
MASTER "re-design Medicine" THE BOOKLET
MASTER "re-design Medicine" THE BOOKLETMASTER "re-design Medicine" THE BOOKLET
MASTER "re-design Medicine" THE BOOKLET
 
"APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOME
"APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOME"APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOME
"APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOME
 
RETI NEURALI ARTIFICIALI E RETI NEURALI BAYESIANE
RETI NEURALI ARTIFICIALI E RETI NEURALI BAYESIANERETI NEURALI ARTIFICIALI E RETI NEURALI BAYESIANE
RETI NEURALI ARTIFICIALI E RETI NEURALI BAYESIANE
 
Game of Thrones Infographic
Game of Thrones InfographicGame of Thrones Infographic
Game of Thrones Infographic
 
Tecniche basate su machine learning per la determinazione del profilo di un a...
Tecniche basate su machine learning per la determinazione del profilo di un a...Tecniche basate su machine learning per la determinazione del profilo di un a...
Tecniche basate su machine learning per la determinazione del profilo di un a...
 
Dashboarding with Microsoft: Datazen & Power BI
Dashboarding with Microsoft: Datazen & Power BIDashboarding with Microsoft: Datazen & Power BI
Dashboarding with Microsoft: Datazen & Power BI
 
[SLIDE] Tecniche basate su machine learning per la determinazione del profilo...
[SLIDE] Tecniche basate su machine learning per la determinazione del profilo...[SLIDE] Tecniche basate su machine learning per la determinazione del profilo...
[SLIDE] Tecniche basate su machine learning per la determinazione del profilo...
 
Reti Neurali
Reti NeuraliReti Neurali
Reti Neurali
 
Temporal Snapshot Fact Tables
Temporal Snapshot Fact TablesTemporal Snapshot Fact Tables
Temporal Snapshot Fact Tables
 
Corso Introduttivo alle Reti Neurali
Corso Introduttivo alle Reti NeuraliCorso Introduttivo alle Reti Neurali
Corso Introduttivo alle Reti Neurali
 
Machine Learning
Machine LearningMachine Learning
Machine Learning
 
Introduzione ai Big Data e alla scienza dei dati - I formati dati
Introduzione ai Big Data e alla scienza dei dati - I formati datiIntroduzione ai Big Data e alla scienza dei dati - I formati dati
Introduzione ai Big Data e alla scienza dei dati - I formati dati
 
JugMarche: Machine learning: usi pratici di supervised learning
JugMarche: Machine learning: usi pratici di supervised learningJugMarche: Machine learning: usi pratici di supervised learning
JugMarche: Machine learning: usi pratici di supervised learning
 

Similar to Azure Machine Learning (Italian)

Sviluppare applicazioni web (completamente) on-line con Visual Studio Online ...
Sviluppare applicazioni web (completamente) on-line con Visual Studio Online ...Sviluppare applicazioni web (completamente) on-line con Visual Studio Online ...
Sviluppare applicazioni web (completamente) on-line con Visual Studio Online ...Marco Parenzan
 
Code quality e test automatizzati con JavaScript
Code quality e test automatizzati con JavaScriptCode quality e test automatizzati con JavaScript
Code quality e test automatizzati con JavaScriptRoberto Messora
 
Single Page web Application
Single Page web ApplicationSingle Page web Application
Single Page web ApplicationRoberto Messora
 
CDays15 - AZ08 - DocumentDB: il NoSql secondo Azure
CDays15 - AZ08 - DocumentDB: il NoSql secondo AzureCDays15 - AZ08 - DocumentDB: il NoSql secondo Azure
CDays15 - AZ08 - DocumentDB: il NoSql secondo AzureDavide Benvegnù
 
Vs04 - DevOps: Continuous Deployment con Windows Azure
Vs04 - DevOps: Continuous Deployment con Windows AzureVs04 - DevOps: Continuous Deployment con Windows Azure
Vs04 - DevOps: Continuous Deployment con Windows AzureAntonio Liccardi
 
Presentazione Conferenza Stampa del 13 gennaio 2014
Presentazione Conferenza Stampa del 13 gennaio 2014Presentazione Conferenza Stampa del 13 gennaio 2014
Presentazione Conferenza Stampa del 13 gennaio 2014sldigitale
 
WP04 -Sensori e hardware con Windows Phone 8.1
WP04 -Sensori e hardware con Windows Phone 8.1WP04 -Sensori e hardware con Windows Phone 8.1
WP04 -Sensori e hardware con Windows Phone 8.1Dan Ardelean
 
Musixmatch Cloud: Microsoft Azure Media Services and UGC Content
Musixmatch Cloud: Microsoft Azure Media Services and UGC ContentMusixmatch Cloud: Microsoft Azure Media Services and UGC Content
Musixmatch Cloud: Microsoft Azure Media Services and UGC ContentLoreto Parisi
 
Vs03 – migliorare la qualità del codice con vs 2013
Vs03 – migliorare la qualità del codice con vs 2013Vs03 – migliorare la qualità del codice con vs 2013
Vs03 – migliorare la qualità del codice con vs 2013Antonio Liccardi
 
Mobile services multi-piattaforma con Xamarin
Mobile services multi-piattaforma con XamarinMobile services multi-piattaforma con Xamarin
Mobile services multi-piattaforma con XamarinNicolò Carandini
 
Funziona! allora non toccarlo, ovvero l'analisi d'infrastruttura in esercizio.
Funziona! allora non toccarlo, ovvero l'analisi d'infrastruttura in esercizio.Funziona! allora non toccarlo, ovvero l'analisi d'infrastruttura in esercizio.
Funziona! allora non toccarlo, ovvero l'analisi d'infrastruttura in esercizio.Giuliano Latini
 
Agile@scale, second chance
Agile@scale, second chanceAgile@scale, second chance
Agile@scale, second chanceFelice Pescatore
 

Similar to Azure Machine Learning (Italian) (20)

Sviluppare SPA con Vue
Sviluppare SPA con VueSviluppare SPA con Vue
Sviluppare SPA con Vue
 
Sviluppare SPA con Vue.js
Sviluppare SPA con Vue.jsSviluppare SPA con Vue.js
Sviluppare SPA con Vue.js
 
Sviluppare applicazioni web (completamente) on-line con Visual Studio Online ...
Sviluppare applicazioni web (completamente) on-line con Visual Studio Online ...Sviluppare applicazioni web (completamente) on-line con Visual Studio Online ...
Sviluppare applicazioni web (completamente) on-line con Visual Studio Online ...
 
Code quality e test automatizzati con JavaScript
Code quality e test automatizzati con JavaScriptCode quality e test automatizzati con JavaScript
Code quality e test automatizzati con JavaScript
 
Single Page web Application
Single Page web ApplicationSingle Page web Application
Single Page web Application
 
CDays15 - AZ08 - DocumentDB: il NoSql secondo Azure
CDays15 - AZ08 - DocumentDB: il NoSql secondo AzureCDays15 - AZ08 - DocumentDB: il NoSql secondo Azure
CDays15 - AZ08 - DocumentDB: il NoSql secondo Azure
 
Vs04 - DevOps: Continuous Deployment con Windows Azure
Vs04 - DevOps: Continuous Deployment con Windows AzureVs04 - DevOps: Continuous Deployment con Windows Azure
Vs04 - DevOps: Continuous Deployment con Windows Azure
 
A ciascuno il suo: archi, frecce e interfacce per servizi editoriali B2B e B2...
A ciascuno il suo: archi, frecce e interfacce per servizi editoriali B2B e B2...A ciascuno il suo: archi, frecce e interfacce per servizi editoriali B2B e B2...
A ciascuno il suo: archi, frecce e interfacce per servizi editoriali B2B e B2...
 
Presentazione Conferenza Stampa del 13 gennaio 2014
Presentazione Conferenza Stampa del 13 gennaio 2014Presentazione Conferenza Stampa del 13 gennaio 2014
Presentazione Conferenza Stampa del 13 gennaio 2014
 
WP04 -Sensori e hardware con Windows Phone 8.1
WP04 -Sensori e hardware con Windows Phone 8.1WP04 -Sensori e hardware con Windows Phone 8.1
WP04 -Sensori e hardware con Windows Phone 8.1
 
Cmdays mxm ugc
Cmdays mxm ugcCmdays mxm ugc
Cmdays mxm ugc
 
Musixmatch Cloud: Microsoft Azure Media Services and UGC Content
Musixmatch Cloud: Microsoft Azure Media Services and UGC ContentMusixmatch Cloud: Microsoft Azure Media Services and UGC Content
Musixmatch Cloud: Microsoft Azure Media Services and UGC Content
 
Xamarin Robotics
Xamarin RoboticsXamarin Robotics
Xamarin Robotics
 
Vs03 – migliorare la qualità del codice con vs 2013
Vs03 – migliorare la qualità del codice con vs 2013Vs03 – migliorare la qualità del codice con vs 2013
Vs03 – migliorare la qualità del codice con vs 2013
 
Mobile services multi-piattaforma con Xamarin
Mobile services multi-piattaforma con XamarinMobile services multi-piattaforma con Xamarin
Mobile services multi-piattaforma con Xamarin
 
Funziona! allora non toccarlo, ovvero l'analisi d'infrastruttura in esercizio.
Funziona! allora non toccarlo, ovvero l'analisi d'infrastruttura in esercizio.Funziona! allora non toccarlo, ovvero l'analisi d'infrastruttura in esercizio.
Funziona! allora non toccarlo, ovvero l'analisi d'infrastruttura in esercizio.
 
Agile@scale, second chance
Agile@scale, second chanceAgile@scale, second chance
Agile@scale, second chance
 
Tutto su ASP.NET Identity
Tutto su ASP.NET IdentityTutto su ASP.NET Identity
Tutto su ASP.NET Identity
 
Perché un ITS? Intervento del Prof. Marco Parenzan @open day Fondazione Kenne...
Perché un ITS? Intervento del Prof. Marco Parenzan @open day Fondazione Kenne...Perché un ITS? Intervento del Prof. Marco Parenzan @open day Fondazione Kenne...
Perché un ITS? Intervento del Prof. Marco Parenzan @open day Fondazione Kenne...
 
ITS Boys - Why ITS
ITS Boys - Why ITSITS Boys - Why ITS
ITS Boys - Why ITS
 

More from Davide Mauri

Azure serverless Full-Stack kickstart
Azure serverless Full-Stack kickstartAzure serverless Full-Stack kickstart
Azure serverless Full-Stack kickstartDavide Mauri
 
Agile Data Warehousing
Agile Data WarehousingAgile Data Warehousing
Agile Data WarehousingDavide Mauri
 
Dapper: the microORM that will change your life
Dapper: the microORM that will change your lifeDapper: the microORM that will change your life
Dapper: the microORM that will change your lifeDavide Mauri
 
When indexes are not enough
When indexes are not enoughWhen indexes are not enough
When indexes are not enoughDavide Mauri
 
Building a Real-Time IoT monitoring application with Azure
Building a Real-Time IoT monitoring application with AzureBuilding a Real-Time IoT monitoring application with Azure
Building a Real-Time IoT monitoring application with AzureDavide Mauri
 
SSIS Monitoring Deep Dive
SSIS Monitoring Deep DiveSSIS Monitoring Deep Dive
SSIS Monitoring Deep DiveDavide Mauri
 
Azure SQL & SQL Server 2016 JSON
Azure SQL & SQL Server 2016 JSONAzure SQL & SQL Server 2016 JSON
Azure SQL & SQL Server 2016 JSONDavide Mauri
 
SQL Server & SQL Azure Temporal Tables - V2
SQL Server & SQL Azure Temporal Tables - V2SQL Server & SQL Azure Temporal Tables - V2
SQL Server & SQL Azure Temporal Tables - V2Davide Mauri
 
Azure Stream Analytics
Azure Stream AnalyticsAzure Stream Analytics
Azure Stream AnalyticsDavide Mauri
 
Azure ML: from basic to integration with custom applications
Azure ML: from basic to integration with custom applicationsAzure ML: from basic to integration with custom applications
Azure ML: from basic to integration with custom applicationsDavide Mauri
 
Event Hub & Azure Stream Analytics
Event Hub & Azure Stream AnalyticsEvent Hub & Azure Stream Analytics
Event Hub & Azure Stream AnalyticsDavide Mauri
 
SQL Server 2016 JSON
SQL Server 2016 JSONSQL Server 2016 JSON
SQL Server 2016 JSONDavide Mauri
 
Schema less table & dynamic schema
Schema less table & dynamic schemaSchema less table & dynamic schema
Schema less table & dynamic schemaDavide Mauri
 
BIML: BI to the next level
BIML: BI to the next levelBIML: BI to the next level
BIML: BI to the next levelDavide Mauri
 
Data Science Overview
Data Science OverviewData Science Overview
Data Science OverviewDavide Mauri
 
Delayed durability
Delayed durabilityDelayed durability
Delayed durabilityDavide Mauri
 
Hekaton: In-memory tables
Hekaton: In-memory tablesHekaton: In-memory tables
Hekaton: In-memory tablesDavide Mauri
 
Hardware planning & sizing for sql server
Hardware planning & sizing for sql serverHardware planning & sizing for sql server
Hardware planning & sizing for sql serverDavide Mauri
 

More from Davide Mauri (19)

Azure serverless Full-Stack kickstart
Azure serverless Full-Stack kickstartAzure serverless Full-Stack kickstart
Azure serverless Full-Stack kickstart
 
Agile Data Warehousing
Agile Data WarehousingAgile Data Warehousing
Agile Data Warehousing
 
Dapper: the microORM that will change your life
Dapper: the microORM that will change your lifeDapper: the microORM that will change your life
Dapper: the microORM that will change your life
 
When indexes are not enough
When indexes are not enoughWhen indexes are not enough
When indexes are not enough
 
Building a Real-Time IoT monitoring application with Azure
Building a Real-Time IoT monitoring application with AzureBuilding a Real-Time IoT monitoring application with Azure
Building a Real-Time IoT monitoring application with Azure
 
SSIS Monitoring Deep Dive
SSIS Monitoring Deep DiveSSIS Monitoring Deep Dive
SSIS Monitoring Deep Dive
 
Azure SQL & SQL Server 2016 JSON
Azure SQL & SQL Server 2016 JSONAzure SQL & SQL Server 2016 JSON
Azure SQL & SQL Server 2016 JSON
 
SQL Server & SQL Azure Temporal Tables - V2
SQL Server & SQL Azure Temporal Tables - V2SQL Server & SQL Azure Temporal Tables - V2
SQL Server & SQL Azure Temporal Tables - V2
 
Azure Stream Analytics
Azure Stream AnalyticsAzure Stream Analytics
Azure Stream Analytics
 
Azure ML: from basic to integration with custom applications
Azure ML: from basic to integration with custom applicationsAzure ML: from basic to integration with custom applications
Azure ML: from basic to integration with custom applications
 
Event Hub & Azure Stream Analytics
Event Hub & Azure Stream AnalyticsEvent Hub & Azure Stream Analytics
Event Hub & Azure Stream Analytics
 
SQL Server 2016 JSON
SQL Server 2016 JSONSQL Server 2016 JSON
SQL Server 2016 JSON
 
Schema less table & dynamic schema
Schema less table & dynamic schemaSchema less table & dynamic schema
Schema less table & dynamic schema
 
BIML: BI to the next level
BIML: BI to the next levelBIML: BI to the next level
BIML: BI to the next level
 
Data juice
Data juiceData juice
Data juice
 
Data Science Overview
Data Science OverviewData Science Overview
Data Science Overview
 
Delayed durability
Delayed durabilityDelayed durability
Delayed durability
 
Hekaton: In-memory tables
Hekaton: In-memory tablesHekaton: In-memory tables
Hekaton: In-memory tables
 
Hardware planning & sizing for sql server
Hardware planning & sizing for sql serverHardware planning & sizing for sql server
Hardware planning & sizing for sql server
 

Azure Machine Learning (Italian)

  • 1. DAT02 - Azure Machine Learning Davide Mauri dmauri@solidq.com - @mauridb http://www.davidemauri.it/
  • 2. #CDays15 – Milano 24, 25 e 26 Marzo 2015 Grazie a Platinum Sponsor
  • 3. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Davide Mauri • Microsoft SQL Server MVP • Works with SQL Server from 6.5, on BI from 2003 • Specialized in Data Solution Architecture, Database Design, Performance Tuning, High-Performance Data Warehousing, BI, Big Data • President of UGISS (Italian SQL Server UG) • Regular Speaker @ SQL Server events • Consulting & Training, Mentor @ SolidQ • E-mail: dmauri@solidq.com • Twitter: @mauridb • Blog: http://sqlblog.com/blogs/davide_mauri/default.aspx
  • 4. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Agenda • Machine Learning, uats dat? • Supervised & Unsupervised Methods • Tool e Linguaggi • Esperimenti On-Premises • Azure Machine Learning • Integrazione di AzureML nelle applicazioni
  • 5. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Machine Learning Uats dat?
  • 6. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Machine Learning • Algoritmi che apprendono dai dati • Niente di nuovo dal punto di vista scientifico • "Field of study that gives computers the ability to learn without being explicitly programmed“ - 1959, Arthur Samuel • In Italiano: «Apprendimento Automatico» • Nome meno bello ma più vicino alla realtà • Richiede *molta* potenza di calcolo (anche per Not-So-Big Data) • Azure, here we come! 
  • 7. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Machine Learning • Molto, molto, molto, molto utile per • Identificare pattern sconosciuti e non “umanamente” identificabili • Ad es. in spazi multi-dimensionali (da un punto di vista matematico e pratico, sono oggetti con cui ci relazioniamo tutti i giorni) • Identificare correlazioni nascoste • Es. relazioni di causa/effetto per identificare frodi, eventi specifici (rottura di un pezzo) • Classificare in automatico insiemi di dati • Es. autore di provenienza di un testo, sentiment analysis, pattern recognition • Anticipare il futuro basandosi su conoscenza passata • Es. Analisi delle tendenze di prezzi, stock, costi
  • 8. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Machine Learning • Ci sono due (ma alcuni le dividono in cinque!) grosse categorie • Supervised Learning • Unsupervised Learning • Supervised: agli algoritmi viene insegnato qual è il risultato atteso • Unsupervised: gli algoritmi identificano in autonomia le regole / i pattern
  • 9. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Linguaggi • Linguaggi comuni ed utilizzati attualmente • R (MS ha appena acquisito Revolution Analytics) • Pyton (Scikit-Learn – pron: “sy-kit learn”) • In ambito .NET • Infer.NET • http://research.microsoft.com/en-us/um/cambridge/projects/infernet/ • F# • http://fsharp.org/guides/machine-learning/index.html • http://stackoverflow.com/questions/8068040/resources-for-working-with-machine-learning- in-f • Azure ML  • Net# - Linguaggo specifico per Reti Neurali Artificiali
  • 10. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 AzureML • “Democratize Machine Learning” • https://studio.azureml.net/ • Gratis (“Free Tier”) per dati fino a 10GB e per attività di test/sviluppo • Sviluppo di esperimenti e pubblicazione degli algoritmi tramite Web API / Service
  • 11. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Tool • RStudio • IDE free per R, molto ben fatto • http://www.rstudio.com/ • Anaconda Python • Distribuzione di Python con tutti i package necessari per fare Data Science • http://www.continuum.io/ • PyTools For Visual Studio • Estensione per sviluppare con Python con Visual Studio    • Team di sviluppo assorbito da AzureML • https://pytools.codeplex.com/
  • 12. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Esperimenti On-Premises Flower Power!
  • 13. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 IRIS Dataset • Disponibile presso il sito UC Irvine Machine Learning Repository • http://archive.ics.uci.edu/ml/datasets/Iris • 150 classificazioni di fiori “iris” • 3 classi: Virginica, Versicolor, Setosa • 4 feature (dimensioni): Sepal Width & Length, Petal Width & Length • Uno dei set più famosi • Una classe linearmente separabile • Le alter due classi NON sono linearmente separabili
  • 14. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 IRIS Dataset http://www.anselm.edu/homepage/jpitocch/genbi101/diversity3Plants.html
  • 15. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 demo IRIS Dataset
  • 16. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Azure Machine Learning
  • 17. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Azure Machine Learning • www.azureml.com • Azure ML Studio • Web application per lo sviluppo dei modelli • Processo di sviluppo • Experiment • Score • Evaluate • Publish
  • 18. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 demo Azure Machine Learning Studio
  • 19. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Integrazione con Applicazioni Custom
  • 20. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Web Endpoint • Azure Machine Learning permette di creare un endpoint web per invocare l’algoritmo di ML da applicazioni custom • Protocollo basato su JSON • Insieme al web service viene creato anche • Pagina di Help • Endpoint per chiamata singola • Endpoint per chiamata batch
  • 21. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 demo Custom Application
  • 22. #CDays14 – Milano 25, 26 e 27 Febbraio 2014 Q&A Tutto il materiale di questa sessione su http://www.communitydays.it/ Lascia subito il feedback su questa sessione, potrai essere estratto per i nostri premi! Seguici su Twitter @CommunityDaysIT Facebook http://facebook.com/cdaysit #CDays15

Editor's Notes

  1. Slide da mostrare prima di iniziare la sessione – non rimuovere!
  2. Ultima slide, obbligatoria