 Hai, selamat pagi semua. Nama saya Gerald. Saya seorang evangelis teknik dengan Microsoft Singapore. Saya berkongsi dengan startup. Saya bekerja dengan Azure. Saya membantu startup untuk membuat platform Azure dan membuat spark. Jika ada enquiries teknik dengan architektur, pipeline dan sebagainya, saya akan membantu mereka. Hari ini saya akan bercakap tentang studio machine learning di Azure. Bagaimana anda dapat membuat model dan sebagainya. Saya akan menunjukkan demo yang sangat mudah tentang bagaimana anda dapat membuat model yang mudah dengan rekanan digit pada machine learning di Azure dengan koding minimum. Okey. Jadi apa yang mengenai machine learning? Ini adalah sebuah sains komputer yang mengenai machine learning dari data untuk memperkenalkan analisis predictif. Ia mengenai batu-batu yang besar untuk data dan menggunakan batu-batu ini untuk membuat analisis predictif. Microsoft mempunyai machine learning di Azure, Amazon mempunyai machine learning, dan Google mempunyai API predictif dan mempunyai support tensile. Jadi model machine learning mempunyai dua kategori yang besar, memperkenalkan dan tidak memperkenalkan. Dengan memperkenalkan model yang memperkenalkan, mempunyai data yang besar untuk memperkenalkan output dari kebaikan masjid. Semua pendidikan model yang memperkenalkan adalah menggunakan algorithms regression untuk memperkenalkan output dari set pilih keputusan yang mungkin atau yang memperkenalkan kelasifikasi yang mungkin untuk memperkenalkan output untuk mencari kemungkinan mungkin. Okey. Jadi dalam keadaan ini, saya akan menunjukkan datang-datang keberkannya yang kecil dari 0.5 MB untuk memperkenalkan nazis TGMI yang saya mencolakannya. Jadi saya akan menunjukkan itu lebih dekat. okay jadi i'm sure you all remember i think it's last year there was this uh how old how old dot net where you should like scan your photo and you'll try and guess how old you are so the ai sometimes get it right if you like sometimes it gets it wrong if you smile become younger and so on yeah so this is the timeline for like how microsoft has been using machine learning it all started from like basic filter or junk mail let's slowly build go out build song and on until today we now have this azure machine learning which you can which is makes machine learning more accessible to everyone so azure machine learning is a fully managed cloud service for building and operate operationalizing machine learning models you can you it's you use the machine learning studio which is a browser base tool that provides an easy way to do to drag and drop in different models to do to quickly build your machine learning model and then it and then you can just press run and then it will find a and then you will find a gpu instance and then just build your model out from there so it's very efficient you don't need to spin out much expensive gpu instances it gives you a quick way to quickly test your models out and finally there's also one one last thing is that you can expose the after this you can expose your model very quickly as a web service either as a trained model or to train the model from there so that one i will show later as to how to expose the model as a web service okay so this is a quote quote from a graduate student who went to the university of messes you said so he went to work for microsoft afterwards yeah okay so machine learning studio is a visual editor it simplifies machine learning by providing drag and drop workflow so it gives you an assortment of modules which you can drag and drop and use it can also insert r and python code anyone the workflow if you need extra flexibility with your model okay so machine learning starts with data which can come from a variety of sources the data is there needs to be cleaned before it can be used machine learning studio introduces modules to help with the cleaning so if you need to like remove rows and missing data remove duplicates or clean outliers so you can do all this within a machine learning studio so once that once the data is ready you can select a corridor and train the model by allowing it to iterate over data and find factors in it after this come to you you can learn score and evaluate the model which tells you the model is able to predict the outcome so this we can perform everything within machine learning studio so after this once you're done you're satisfied with the model you can then select deploy as web service and deploy as web service to do further testing so these are some of the machine learning algorithms available within machine learning studio i'm not a data scientist i don't know like or any of them actually but this might be of interest to you if you have done the statistics so it has 25 of the classic algorithms in the machine learning is divided into four categories anomaly detection regression and ye ye check okay the forming category okay so um just move on so this is a simple linear regression so it's used for statistical modeling so so training a linear regression model with million of values can take time but once model is trained using it to perform predictive analysis as fast because running a model involves solving the equation which coefficients merely being computed Lastrasi yang menunjukkan bahawa mempunyai algoritm red adalah penting untuk membangun model efektif. Okey. Ya. Jadi, ini masin belajar. Jika anda berminat, saya dapat mengeluarkan slides juga. Kita ada github untuk ini juga. Jadi, anda dapat mengeluarkan dan mengeluarkan lagi. Okey. Ya. Jadi, mengeluarkan sebagai web servis. Selepas anda membuat model anda memutuskan, anda fikir ia okey dan mengeluarkan juga. Kemudian anda dapat mengeluarkan botan, mengeluarkan sebagai web servis. Jadi anda dapat mengeluarkan menggunakan API Rest untuk mengeluarkan. Dan kemudian anda dapat mengeluarkan dan mengeluarkan model tersebut. Atau untuk memberi jawapan daripada model. Okey. Ya. Jadi, ada 3 e-book. Saya rasa ia sedikit update. Seperti 2015. Jadi, anda masih boleh mengeluarkan. Jika anda semua mahu mencari link, anda boleh... Ya. Okey. Baiklah. Jadi, saya akan menyebabkan lapangan tangan. Jadi, saya akan menunjukkan bagaimana keputusan. Jadi, untuk ini, saya sebenarnya... Saya sebenarnya menggunakan sebuah kode sampel untuk membuat aplikasi elektron. Jadi, ini adalah... 64 poin grid untuk anda untuk membuat... Jadi, ia mencari keputusan. Jadi, ia tidak sangat akurat. Kerana ia menggunakan halper MAC CSV. Saya dapat menunjukkan CSV nanti. Jadi, saya akan mencari... Saya tidak tahu. Kemudian ia akan berkata... Ya. Jadi, ia tidak sangat akurat. Kerana ia adalah sebuah data yang sangat-besar. Dan juga kerana resolusi itu sangat-besar. Kerana ia seperti... Saya rasa ia adalah 1.16 dari resolusi sebenar yang menggunakan model. Ia menggunakan untuk membuat data raw. Kadang-kadang, ia menggunakan, saya rasa. Saya rasa demogod itu... Baiklah, baiklah. Jadi, saya akan menunjukkan bagaimana... bagaimana anda boleh membuat sesuatu seperti ini. Untuk menghubungi klien ke model machine learning. Sangat mudah. Jadi, ini adalah... Porto Azure sendiri. Dan kemudian... kita boleh membuat... kemudian masjid machine learning. Jadi, kita mempunyai... kemudian masjid machine learning. Saya tidak pasti apa yang betul-betul... saya perlu periksa. Tapi, saya rasa ada kemudian masjid machine learning. Dan kemudian... ia lebih kurang... versus anda... mengembangkan GPU instant... mengembangkan Spark, etc. Untuk... Untuk masjid virtual. Okey. Ya. Jadi, anda boleh mulakan... membuat kemudian masjid machine learning. Jadi, saya akan membuat kemudian. Okey, okey, okey, okey. Jadi, ya. Jadi, ada pricin... anda juga perlu memilih pricin-pricin... untuk pembentangan web anda. Anda boleh memilih... saya rasa ada pricin-pricin. Saya sudah memilih pricin-pricin sebelumnya. Jadi, saya tidak suka memilih pricin-pricin lagi. Tapi, pada kali pertama anda dapat memilih pricin-pricin. Jadi, ia adalah 3 dolar sehari. Tapi, anda boleh memilihnya apabila anda tidak memilihnya. Jadi, ya. Dan, ya. Kalau anda ada... sebuah pembentangan yang... telah menerima... lebih daripada 5 tahun... membuat lebih daripada... $1,000,000 USD di Revenue... anda boleh mempunyai BISBARK. BISBARK beri anda 5 pembentangan... dengan $150 dan kredit... untuk setiap pembentangan setiap bulan. Ini untuk 1 tahun. Jadi, kredit menarik... segala-galanya pada platform Asia... termasuk Masjid Machine Learning Studio. Dan, jika anda mahu... anda boleh cuba servis kogniti juga. Ya, program BISBARK. BISBARK. BISBARK. Jadi, ini... Ya. Jadi, ini untuk... pembentangan yang berminat... untuk mendapatkan ke platform Asia... dan cuba sedikit... servis kami. Jadi, ia menyebabkan... segala-galanya pada platform Asia. Okey. Jadi, saya akan menyebabkan... semuanya yang telah dibuat. Jadi, apabila ia selesai... anda boleh pergi ke Masjid Machine Learning Studio. Dan, anda boleh memilih... anda boleh memilih projek baru dan sebagainya. Jadi, saya sudah mengeluarkan data set. Saya akan menyebabkan data set. Okey, saya akan memilih. Ya. Jadi, lain perkara yang mungkin... yang menarik adalah... Masjid Machine Learning Studio... juga mempunyai Notebooks Asia. Jadi, ini memberikan... Instan Notebook Jupiter. Ini sekarang... servis khas. Jadi, anda boleh pergi ke Notebooks.azure.com... dan membuat Notebooks Jupiter... dan bermain dengan. Jadi, ini sekarang... servis khas. Saya akan mengeluarkan... saya akan mengeluarkan dan menunjukkan... apa yang nampaknya. Jadi, ada 64... 64 poin... pada grid yang sekarang... seperti yang anda nampak sekarang. Jadi, ini adalah... apa yang data set itu nampaknya. Jadi, saya akan mencari... apa digit di sana... terhadap... terhadap apa yang... sekarang... menunjukkan... pada grid. Okey, jadi... jadi, kita pergi ke eksperimen... dan kemudian anda membuat... sebuah eksperimen baru. Ya? Ya. Ya. Ya, saya rasa ini adalah intensiti. Kerana... ini adalah... ini sebenarnya... dibuat... dari data set yang lebih tinggi. Jadi, ini adalah... ini adalah... saya rasa ini adalah... perjumpaan... yang diperlukan... di sebuah kawasan. Jadi, itu sebabnya... model ini tidak... sangat benar-benar diperlukan. Jadi, kemudian... P0102... adalah... adalah posisi... di grid... sendiri. Ya. Okey. Jadi, ya. Jadi, bagaimana... bagaimana anda mulakan ini? Jadi, anda membuat... projek machine learning... kemudian anda pergi ke... data set. Selepas anda mengambil data set... anda dapat mencari dan mencapai. Kemudian anda... kemudian anda mulakan... dari... data set. Okey. Tunggu. Saya perlu... saya perlu cuba ingat... apa yang saya lakukan. Saya minta maaf. Dengar ini... segala-galanya... ada di... di... di grid kami. Ini... projek machine learning... akan menyebabkan... bagaimana anda... bagaimana anda menggunakan... projek machine learning... untuk membuat model yang mudah. Ia ada resursi... bagaimana anda... bagaimana anda menggunakan... aplikan elektron yang mudah... untuk menghubungi... projek klien. Anda dapat membuat... ada yang lain juga. Jadi... ia digunakan... di MSFTImagine.com... seluruh sains komputer... di pejabat kerja. Kita juga mempunyai... peluang teknologi... dan banyak perkara yang baik... di sini juga. Jadi... ini adalah... anda dapat... ada resursi yang sangat menarik... jika anda berminat... untuk menggunakan ke Asia... dan cuba juga... servis yang lain. Saya boleh menunjukkan... contoh yang lain juga. Ya. Jadi, ini adalah perkara... yang dihubungi... di MicrosoftImagine... di grid kami. Anda boleh... duduk... melihat... Baiklah. Jadi... saya akan pulang... dan menutupi... bagaimana saya akan membuat ini. Baiklah. Jadi... apabila anda menghubungi ini... anda dapat menghubungi... dan melihat... yang akan menunjukkan... apa yang saya membuat... di Excel... seperti... apa yang... ya. Baiklah. Jadi perkara... setiap ruang... mempunyai... digit dari... 0-9. Kita hanya menghubungi dan melihat. Jadi setiap ruang... mempunyai... digit dari 0-9. Jadi seperti yang anda lihat... di kolam akhir. Jadi... setiap ruang ini... adalah... 3,826 ruang... dan 65 ruang. Kali pertama... 64 ruang... mempunyai... value dari 0-16... mempunyai... 4x4 ruang... pilihan pixel. Jadi setiap ruang... di setiap ruang... mempunyai... 32x32... dan mempunyai... total... 1024 pixel... per digit. Jadi... setiap ruang... mempunyai... setiap ruang... mempunyai... 16 pixel. Jadi... resulitasi sangat teruk. Okey. Jadi... apa yang kita cuba mempunyai... adalah value final di sini. Ini... digit di sini. Jadi sekarang... kita akan cuba mempunyai... bagaimana... mempunyai model. Jadi mari kita mempunyai... metadata. Okey. Jadi kita akan mengubah... data ini... sedikit. Pilihan kolam selektor. Jadi kita mahu mempunyai... digit... ke luar. Kemudian... membuat kategori. Kemudian kita selamatkan. Jadi... perkara lain adalah... ingat selamatkan secara selamatkan... jika ia tidak selamatkan secara selamatkan... dan anda tidak mahu... bekerja banyak kerja... dan mereka lupa selamatkan... dan mereka akan memutuskan... aplikasi anda. Dan... kita akan mulakan lagi. Sangat-sangat. Saya sudah pernah itu... berlaku dua kali... tanpa kita... memperbaiki model itu. Jadi itu tidak baik. Okey. Jadi... kita akan menghubungi data sekarang... kerana kita sudah menghubungi... jadi data itu... menghubungi staf... dan staf yang kita mahu menghubungi... Okey. Jadi kita akan menghubungi... dan... kita akan menghubungi 808020. Jadi... 80%... 80% dari data kita akan menggunakan... 80% dari data kita akan menggunakan... untuk menggunakan 20% yang akan digunakan... untuk menggunakan... untuk menggunakan dataset data itu. Jadi kita akan membuat... pastikan kita memilih... menggunakan split yang diperbaiki... kerana data itu... jika anda... terutamanya anda membuat seperti data... yang diberi... dalam pesanan. Okey. Mari kita lihat... kemudian... saya akan... keadaan model train saya. Okey. Model train. Jadi kita akan menghubungi model sekarang. Okey. Jadi ia menghubungi... jadi kita akan menghubungi kolom selektor... kolom selektor. Kemudian kita mahu... digit. Okey. Itu saja. Kemudian kita akan menggunakan... multi-class... logistic regression... saya tak tahu apa itu. Okey. Selekt, drag, drop... generasi. Kita akan menghubungi. Kita akan menghubungi. Ya. Jadi... ia sudah menghubungi model. Jadi sekarang kita perlu menghubungi model... untuk melihat jika... ia berlaku atau tidak. Jadi kita akan menghubungi... model menghubungi. Okey. Kemudian... kita akan menghubungi lagi. Menghubungi. Menghubungi. Okey. Jadi... ia sudah menghubungi. Kita akan melihat. Okey. Jadi kita menghubungi output... kelihatan. Jadi sekarang kita akan menghubungi skor. Okey. Ya. Jadi... ini adalah kemungkinan... untuk dataset. Jadi... sesungguhnya ada kemungkinan yang lebih tinggi... dan lainnya. Jadi... ini kemungkinan. Kita lihat... 0.97... 0.98... Ya. Selepas beberapa lagi. Okey. Jadi kita dapat lihat... ada... kemungkinan... akarasi... dengan kemungkinan... kemungkinan. Jadi, ya. Okey. Jadi sekarang kita menghubungi... kita akan menghubungi sekarang. Kita akan menghubungi... kita akan menghubungi. Saya akan menghubungi. Jadi kita akan menghubungi model ini... dan menjelaskan betapa akarasi... tanpa menghubungi. Okey. Apabila kita dapat melihat akarasi berkumpul... 0.97. It is clearly not 0.97 as I will demo later again. But yeah, so you can use this to quickly like evaluate your scoring and see how well does it actually score based on what you're checking. Okay, so now that we have built a model that is supposedly 97% accuracy, you gotta go test it on some real world stuff, right? Yeah, so very quickly you can just like set up with service. So what this is happening is that you can use this as a predictive experiment. You can use your web service data to continue to train your model and generate more data. Or you can just use it just generate results from it. So it depends on what you want to do with your web service. Okay, I think I need to save and run. So yeah, so as you can see there are two tabs. There's a training experiment and there's a predictive experiment. So now we've converted the training experiment to a predictive experiment to try and predict stuff with it. So deployment page. So this is your API key. I'm going to nuke this afterwards so don't copy it. Okay, so you can do it. You can test your request response. You can test batch execution as well. And then yeah, so this is your post. This is the URL they want to post to and you use your API key and post it there and then you can get results. So I'm going to just show you the code. So the codes is basically a very simple electronic app. It is also available on the GitHub. It takes a little bit of getting to work. So yeah, yeah. So it's very simple. You just go in, throw down, fill in your URL and your API key. You all can see, right? Okay, just very simple. Just fill in your API key and just press run. What's that done? We will have a small grid system. Hello? Yes. So yeah, so you see the 64 grid and then you generate and they just draw stuff. Submit. Yeah, it's clearly not 97%. Okay. So draw, I don't know. That's definitely not a four. Okay, some numbers are definitely a lot easier for it to predict than others. So what number, y'all? Y'all 1. 1? You'll be surprised how barely that scores. So I'll go draw a more nicer 1. What do you think it is? It's a 4. So yeah, so yeah, it's clearly a very, very new, very, means a lot of tuning model, but hey, it was really, really fast, right? It just drag, drop, drag, drop, click, run and then you can come up with web service very, very quickly. Scale down the resolution. Nah, this is the dataset of scale. The dataset's resolution is scaled down. So yeah, we're going to get the actual brief of what actually happened. Why did you use the original one? I think it's because it takes a lot longer to train. I'm not sure. Let me just see. Also, dataset was only like half a bag, so it's not very, very big at all. So the grid display uses 1.16, the scans that the model was trained with. Yeah, so that's also why the accuracy is a lot, lot worse. So yeah, so with this, I'll just show you like how do you create machine learning experiment, how do you load a dataset, train your dataset with the model and deploy it as model and then call it with a REST API. Okay. All right, I am done. Do you have any questions? You can just go to the machine learning studio and let me go back and find it. I believe we can connect with the SQL server and other services as well. Let me go and find it. Hold on, I'm going to check. Oh yeah, screen too big. Oh yeah, it's a local file. I think you should be able to edit to get data from elsewhere as well. Another point to note is that these experiments can also be connected onto stream analytics instead of using SQL to do your stream analysis. You can use a machine learning model to segment out your data from there as well. So it's a quick way if you can just connect your stream analytics pipe to it. It's a quick way to filter out your data and see if this is what you really want or not. Okay. Okay, I'm done. Is this SQL server installed to be on the cloud or if it is on the outside of the cloud? Or if it just access that data form? I think you export it out first before. Every time you export it? Every time you export from another machine to... Yeah, if you're going to update update data set. It's true. On-prem deployment for this, I don't think so. Actually, there's a very new article that says you can actually use Azure Machine Learning with your on-prem SQL server as well. Something new, I guess. Where's the... Oh, yeah, it's here. Hold on. Yeah, so it's not there. So, yeah, you can use that to import your data. As you can see there, import your data from your high queries, your SQL database. I think there's on-premise as well as new feature and document DB, which is now Cosmos DB. Yeah. Okay. All right. When you operationalize it, how do you do it without the interface? When you operationalize the user itself, how do you do it without the interface? Without the operationalize it? Without the interface? Without the browser interface? You use the... As in, you want to export the whole thing. As a... I used to feed me some data set and then it will result to come off and you will without the browser. Without the browser. This one is purely a browser base. Yeah. Yes, this is a... As in a REST API for this itself. I don't think so. Yeah. What's next? What's next? Models. Like Q7R, categorization, what changes what's next? What's next? Models. Is it possible? Is it possible to add your own code? Yes, you can add your own Python and R code into the model itself. Yes. So, given that this determined quite a bit of work, if we were really doing this, what options are there within the Durable Training Framework to try to improve it? Can we run it with more iterations or... Importantly, I think the thing was that the data set was relatively small and the result was pretty bad. So, it was... Pretty low. Yeah. So, if we up the accuracy of everything, we should run that. So, so that's always a good thing to do to have a million lines or before to build something like a 1024 or something like that. But let's even in that case, if it was 97% for real and we want to try to get the 99%, are there other options within Durable like like I said, more iterations or different model or computing parameters or or or is this just just sort of that's an injury that's it. This is this is this is as much as I do know about this. Okay. So, next month my senior teh tenicare adventure will cover a deep dive into this the further the further this is going on like a introductory session to basic basic way about how to do it. So, so if you're a drister, you can go for party or precious deep learning. Kamu ialah Łuća? Ya Łućaw. Łućaw was done under a lot more a lot more countries so it's better. Okay. Anything else? So it's just like what other things i got out of like i should have been buying iyou can do things like boosting and all that. Boosting you know, put reserve and you guess there is some boosting as I said I'm not a Saya tidak tahu apa yang berlaku. Saya tidak tahu apa yang berlaku untuk ini. Jadi, saya akan menunjukkan seperti apa yang berlaku. Saya akan menjelaskan seperti apa yang berlaku. Ada apa-apa video online untuk orang-orang yang mengetahui? Bagaimana anda menggunakan ini? Untuk Kori, untuk apa yang berlaku di seluruh studio? Untuk apa yang berlaku? Saya rasa ada satu yang berlaku di seluruh studio. Tapi saya tidak tahu apa yang berlaku di seluruh studio. Apa yang berlaku di YouTube? YouTube? Ada apa-apa yang berlaku di YouTube? Ada apa-apa yang berlaku di YouTube? Kita akan berakhir sekarang. Selamat tinggal, semua.