微软机器学习.pdfVIP

机器学习 全托管 整合 最优算法 分钟级部署 无软件安装，硬件管理， 简单的拖拉拽，连接数据 基于最优实现的各类算 点击即可操作模型，在 只需网站 接口，无需为通用任务编 法支持和扩展。 程。 内收费。 • 通过浏览器访问，不用安装软件; • 通过可以和任何人，在任何地点协作; • 通过可视化的模块E2E支持数据流; • 提供多种ML算法，模型库，利于搜索和重用; • 支持R和Python扩展; • 快速尝试新功能，ML算法和建模策略 Azure Machine Learning Service 数据- 预测模型- 分钟级可操作Web API 数据 客户端 ML STUDIO API 可调用的Web服务 Blobs and Tables 机器学习开发环境 Hadoop (HDInsight) 关系型DB (Azure SQL DB) 通过marketplace消费API 什么是好的ML问题? 带标签的例子 糖尿病分析：I型糖尿病 + II型糖尿病 设备故障检测: 故障和正常运行状态的例子 相关的一些特征 农业环境调节: 作物生长情况 与 温度, 湿度, 光照等. 建筑用电量预测: 以往同时期的用电量, 会议室预订数量, 人数, 天气等. 容忍部分不确定度和错误 • 回归：预测/估计数字 • 分类：添加标签/分类 回归问题 分类问题 估计家庭或建筑能源消耗 设备是否已经出故障 估计农作物生长情况 化工液体进入哪一状态 聚类 异常检测 多类分类 回归 两类分类 其他功能模块 机器学习评估 交叉验证/参数扫描/模型评估 数据处理 滤波/采样/归一化 特征选择 主成分分析/Fisher线性判别/相关性/排序 其他模块 OpenCV/统计/文本分析 ML解决方案步骤 定义目标 获取和理解数 据 数据预处理 举例：设备预测性维护 业务需求：  设备故障预测  设备故障原因诊断  设备故障识别  维护操作推荐 数据来源：设备预测性维护 故障历史 维修历史 机器状态 设备的维修历史，以前的维 设备的运行状态，如传感器 设备和组件的故障历史 修记录，组件更换，维修类 收集的数据