Machine Learning Web Day - 25. Februar 2016

Worum geht es in diesem Vortrag?
In diesem Vortrag erfahren Sie mehr über die grundlegenden Konzepte und Verfahren des Überwachten Maschinelen Lernens (ML), wie z.B. Modellklassen, Kostenfunktionen, Regularisierung sowie Optimierungsmethoden, um ein Prognosemodel mithilfe von Trainingsdaten zu erstellen. Anschließend folgt eine Diskussion über das Evaluieren eines Modes und das Parametertuning.

Was ist Überwachtes Maschinelles Lernen (ML)?
Überwachtes Maschinelles Lernen beschäftigt sich mit der Herausforderung basierend auf beobachteten Daten (z.B. Text, Hyperlinks und Bilder) eine gewünschte Objekteigenschaft vorherzusagen (z.B. ob es bei einer Webseite um E-Commerce handelt oder nicht). Normalerweise wird die Lösung solcher Probleme in zwei Phasen unterteilt – das Training und die Vorhersage. Das Training oder Model-Building Phase bedeutet das Lernen eines Models aus historischen Daten (z.B. positive und negative Beispiele von E-Commerce Webseiten). In der Vorhersage Phase wird das gelernte Model verwendet, um die gewünschte Objekteigenschaft vorherzusagen.

Worum geht es in diesem Vortrag?
Dieser Vortrag ist für ein Publikum ohne Machine Learning Kenntnisse geeignet. Wir werden zuerst über einfache Konzepte des Maschinellen Lernens sprechen. Danach zeigen wir, wie Sie Amazon Machine Learning verwenden können, um eine Master-Datenquelle zu erstellen, ein ML-Model zu bauen und es für die Erstellung der Batch-Prognosen zu nutzen.

Worum geht es in diesem Vortrag?
In diesem Webinar zeigen wir Ihnen, wie Sie Amazon ML verwenden können, um eine Master-Datenquelle zu erstellen, ein ML-Model zu bauen und es für die Erstellung der Batch-Prognosen zu nutzen. Anhand von einer Beispielübung zeigen wir, wie Sie mögliche Kunden für gezielte Marketingkampagnen identifizieren können. Sie können aber dasselbe Prinzip benutzen, um eine Vielfalt von ML-Modellen zu trainieren und anwenden. Um die Beispielübung zu vervollständigen benutzen wir den öffentlich verfügbaren Banking- und Marketingdatensatz von der University of California (UCI). Dieser Datensatz beinhaltet Informationen über Kunden sowie eine Beschreibung, wie die Kunden auf vorherige Marketingkampagnen reagiert haben.

Learning objectives:
In this session, you will learn how to build an end-to-end smart application in the AWS cloud. We demonstrate how to use Amazon ML to create machine learning models, deploy them to production, and obtain predictions in real-time. We then demonstrate how to build a complete smart application using Amazon ML, Amazon Kinesis, and AWS Lambda. We walk you through the process flow and architecture, demonstrate outcomes, and then dive into the code for implementation. In this session, you learn how to use Amazon ML as well as how to integrate Amazon ML into your applications to take advantage of predictive analysis in the cloud.