O mnie

Cele sesji

Dlaczego? http://www.zdnet.com/article/microsofts-r-strategy/ Źródło: https://azure.microsoft.com/enus/blog/forrester-names-microsoft-azurea-leader-in-big-data-hadoop-cloudsolutions/

http://www.photos-public-domain.com/2011/09/11/simple/

Przypadek #1: big data lub nie

Przypadek #1: Rezultaty

Przypadek #2: PaaS kontra IaaS

Przypadek #3: Spróbuj zamiast narzekać Dane źródłowe (xlsx) Machine Translation API Sentiment Analysis API Key phrase detection API

Cortana Intelligence Suite Data Sources Information Management Big Data Stores Machine Learning and Analytics Intelligence People Data Factory Data Lake Store Machine Learning Cognitive Services Data Catalog SQL Data Warehouse Data Lake Analytics Bot Framework Web Apps Event Hubs HDInsight (Hadoop and Spark) Cortana Apps Mobile Stream Analytics Bots Dashboards & Visualizations Sensors and devices Power BI Automated Systems Data Intelligence Action

https://commons.wikimedia.org/wiki/file:bedtime_story_-_madeline.jpg

http://business901.com/blog1/the-misnomer-of-thinking-out-of-the-box/

Przypadek #4: Swoboda działań

Analiza ruchu godzinowego

https://commons.wikimedia.org/wiki/file:a_screwdriver_tip.jpg

Przypadek #5: Think big

Architektura pilotażowa HDInsight cluster Revolution R VM Azure VM Custom UDFs (Streaming and/or Java) SQL DB JDBC/Sqoop Hive RStudio Log Ops Table HCatalog rxodbc MRS HDFS Scalable ETL Large-scale data analysis

Wykrywanie anomalii za pomocą segmentacji Skrajni użytkownicy SYSTEM_IDENTITY1 SYSTEM_IDENTITY2 ANON1 ANON2 ANON3 Rozmiar klastra Cluster #1 126 204 Cluster #2 15 040 Położenie klastra Cluster # avgopsperday avgsessionperday Acgopspersession Ipcnt 1 7.97499 2.380711 3.560209 1.227963 2 36.81413 6.414342 7.823085 1.640691

3 segmenty użytkowników [po usunięciu anomalii, bez normalizacji]

3 segmenty użytkowników [po usunięciu anomalii, z normalizacją] Rozmiar klastra Cluster #1 72820 Cluster #2 19956 Cluster #3 33487 Położenie klastra Avgopsperday Avgsessionperday Avgopspersession Ipcnt Cluster #1 0.1302338 0.01241954 0.1521433 0.04084386 Cluster #2 0.6132861 0.04294849 0.3558698 0.17688916 Cluster #3 0.3472406 0.01084593 0.5794566 0.02338967 Segmenty Light users Active+mobile users Active+static users

Prediction Klasyfikacja użytkowników Rezultaty (w oparciu o drzewa decyzyjne): 4 1 1.00.00.00 52% 2 1.98.00.02 53% avgopspersession < 6.9 yes 1 1.52.13.35 100% avgopsperday < 7.1 no 3 3.00.28.72 47% avgopsperday >= 16 7 3.00.01.99 34% Confusion Matrix Reference 1 2 3 1 19 684 0 128 2 3 4 933 25 3 1 24 13 080 avgopspersession < 4.6 9 1.97.00.03 3% ipcnt < 1.5 14 3.00.30.70 0% avgsessionperday >= 4.2 avgopsperday >= 15 Accuracy: 0.9952 8 1 1.00.00.00 49% 18 19 5 1 1.00.00.00 3% 3.49.00.51 0% 3.11.00.89 1% 6 2.00 1.00.00 13% 28 29 15 2.00.98.02 0% 3.00.00 1.00 0% 3.00.00 1.00 33%

z wykorzystaniem Azure ML

http://www.freeimageslive.co.uk/files/images006/undo_key.jpg

Przypadek #6: Plaża?

Najczęstsza przyczyna porażek

http://pauldunay.com/your-testing-program-smart-ways-to-get-your-team-on-board/

Przypadek #7: Arbuz

IBS Użytkownik Usługi Customer Support Manager Sprzedaż CIO

Dbanie o satysfakcję klienta już wkrótce Centralizacja danych Modele analityczne Synchronizacja z biznesem Wspólny zbiór danych pozwoli zunifikować sposób patrzenia na klientów Krótszy czas potrzebny na zmianę Nawiązanie dialogu pomiędzy różnymi interesariuszami

Satysfakcja klienta w przyszłości Bogatszy arsenał narzędzi do zbierania danych Opinie zbierane i analizowane na bieżąco Jednolity wizerunek firmy

Machine Learning University

Ciągłe doszkalanie

OneML Cykliczne, praktyczne wyzwania dla chętnych Scenariusze mocno osadzone w rzeczywistości Interdyscyplinarne zespoły

7 zasad zwiększających prawdopodobieństwo sukcesu

Co dalej? Advanced Analytics Labs (2 dni) R Labs (1-2 dni) (Bezpłatne) zaangażowanie w indywidualne projekty

Pytania?