Microsoft ML - State of The Art Microsoft Machine Learning - Package R
•
1 j'aime•409 vues
Introduce to new package Microsoft for R language -MicrosoftML. This is package for Machine Learning with language R.
Recommandé
Recommandé
Contenu connexe
Similaire à Microsoft ML - State of The Art Microsoft Machine Learning - Package R
Similaire à Microsoft ML - State of The Art Microsoft Machine Learning - Package R (20)
Plus de Łukasz Grala
Plus de Łukasz Grala (19)
Microsoft ML - State of The Art Microsoft Machine Learning - Package R
- 1. MicrosoftML Łukasz Grala lukasz@tidk.pl | lukasz.grala@cs.put.poznan.pl
- 2. Łukasz Grala • Senior architekt rozwiązań Platformy Danych & Business Intelligence & Zaawansowanej Analityki w TIDK • Twórca „Data Scientist as as Service” • Certyfikowany trener Microsoft i wykładowca na wyższych uczelniach • Autor zaawansowanych szkoleń i warsztatów, oraz licznych publikacji i webcastów • Od 2010 roku wyróżniany nagrodą Microsoft Data Platform MVP • Doktorant Politechnika Poznańska – Wydział Informatyki (obszar bazy danych, eksploracja danych, uczenie maszynowe) • Prelegent na licznych konferencjach w kraju i na świecie • Posiada liczne certyfikaty (MCT, MCSE, MCSA, MCITP,…) • Członek zarządu Polskiego Towarzystwa Informatycznego Oddział Wielkopolski • Członek i lider Polish SQL Server User Group (PLSSUG) • Pasjonat analizy, przechowywania i przetwarzania danych, miłośnik Jazzu email lukasz@tidk.pl - lukasz.grala@cs.put.poznan.pl blog: grala.it
- 3. MicrosoftML = Scalable R + World Class ML Microsoft R Server Enterprise-grade Scalable/Distributed Portable Microsoft ML Toolkit Fast, Scalable Learners Battle-tested State of the art
- 4. Key Benefits
- 5. Learners Algorithms Strengths rxFastLinear Fast, accurate linear learner with auto L1 & L2 rxLogisticRegression Logistic Regression with L1 & L2 rxFastTree Boosted Decision tree from Bing. Competitive wth XGBoost. Most accurate learner for most cases rxFastForest Random Forest rxNeuralNet GPU accelereted Net# DNNs with Convolutions rxOneClassSvm Anomaly or unbalanced binary classification
- 6. Learners - Scalability • Streaming (not RAM bound) • Billions of features • Multi-proc • GPU acceleration for DNNs • Distributed on Hadoop/Spark via Ensambling
- 7. Text Analytics Scenarios Text Classification • Email or support ticket routing • Customer call triage • Detect illegal trading activity Sentiment Analysis • Social media monitoring • Call center support
- 8. Sentiment Analysis • Pre-trained model • Cognitive Service Parity • Uses DNN Embedding • Domain Adaptation
- 9. Image Featurization • Image similarity search: • Product Catalog search • Classification • Plankton Monitoring • Galaxy Classification • Retina Pathology detection • Anomaly Detection • Defects detection in manufacturing
- 10. Image Featurization Convolutional DNNs with GPU Pre-trained Models • ResNet18 • ResNet 50 • ResNet 101 • AlexNet
- 11. Algorithms and Transforms in MicrosoftML
- 12. Algorithms and Transforms in MicrosoftML
- 13. Algorithms and Transforms in MicrosoftML
- 14. Algorithms and Transforms in MicrosoftML
- 16. Compare features by product 1 Memory bound because product can only process datasets that fit into the available memory. 2 Because the Intel Math Kernel Library (MKL) is included in MRO, the performance of a generic R solution is generally better. MKL replaces the standard R implementations of Basic Linear Algebra Subroutines (BLAS) and the LAPACK library with multithreaded versions. As a result, calls to those low-level routines tend to execute faster on Microsoft R than on a conventional installation of R.
- 17. Question? lukasz@tidk.pl lukasz.grala@cs.put.poznan.pl tidk.pl DSaaS.co facebook.com/TIDKpl grala.it
- 18. Centrum Wykładowe Politechniki Poznańskiej 22 kwietnia 2017 http://gabc2017poznan.evenea.pl Łukasz Grala – Damian Widera – Grzegorz Stolecki – Tobiasz Koprowski– Tomasz Libera – Hubert Kobierzewski Sławek Stanek – Paweł Potasinski
- 19. 15 - 17 maja 2017, Wrocław – 6 warsztatów, 61 sesji, 5 ścieżki Ponad 30 prelegentów, między innymi: Paweł Potasiński – Dariusz Porowski - Łukasz Grala – Damian Widera - Grzegorz Stolecki – Marcin Szeliga – Tobiasz Koprowski – Andrzej Kukuła – Tomasz Kopacz Brent Ozar Greg Low Chris Web FBSQLDay http://sqlday.pl @SQLDay Zaawansowana analityka, analiza danych w chmurze, Big Data Analytics i wizualizacja danych Tworzenie rozwiązań platformy danych i Business Intelligence Administracja platformą danych Wykorzystanie rozwiązań platformy danych i analityki w biznesie