機器學習工具_微軟Azure Machine Learning Studio

1. Azure Machine Learning Studio
教師：陳志華博士

2. 課程大綱-微軟Azure Machine Learning Studio
免費使用Azure Machine Learning Studio
收集資料
匯入資料
建立實驗模型
建立實驗模型-訓練
建立實驗模型-測試
執行和結果驗證

3. 免費使用Azure Machine Learning Studio
連結微軟Azure Machine Learning
Studio網站
https://studio.azureml.net/
點擊「Sign up here」

4. 點擊「Most Popular」中的「sing
up here」
免費使用Azure Machine Learning Studio

5. 進入建立帳號頁面
免費使用Azure Machine Learning Studio

6. 輸入自己的E-mail作為登入帳號
設定偏好的密碼
點擊「Next」
免費使用Azure Machine Learning Studio

7. 設定First name和Last name
點擊「Next」
免費使用Azure Machine Learning Studio

8. 設定國家和生日
設定完成後點擊「Next」
免費使用Azure Machine Learning Studio

9. 收到E-mail信件，並取得驗證碼
輸入該驗證碼，並點擊「Next」
免費使用Azure Machine Learning Studio

10. 輸入圖片中的文字
點擊「Next」
免費使用Azure Machine Learning Studio

11. 註冊完成畫面
免費使用Azure Machine Learning Studio

12. 連結微軟Azure Machine Learning Studio網站
https://studio.azureml.net/
點擊「Sign In」
免費使用Azure Machine Learning Studio

13. 輸入帳號和密碼進行登入
免費使用Azure Machine Learning Studio

14. 登入後畫面
免費使用Azure Machine Learning Studio

15. 收集資料
原始資料
結構化資料
機器學習結果
90
91
92
93
94
95
96
103-2 103-3 103-4 103-5
平均股價
年份-月份
中華電信103年2月-4月平均股價
時間 平均股價
103年2月 90.77
103年3月 92.74
103年4月 93.98
103年5月 ？
輸入值(x) 輸出值(y)
1 90.77
2 92.74
3 93.98
  bxwxfy 
  287.89605.1  xxfy
  707.954  fy
中華電信103年5月
平均股價多少？
(也就是x=4代入)
95.707
資料前處理
f(x)為一條趨勢線
深度學習主要就是
在學習「趨勢」
95.707
資料來源：個股月成交資訊，臺灣證券交易所，網址：https://goo.gl/ykB3gA
線性迴歸結果
趨勢線定義：
點到線的距離最小化
機器人圖片來源：
Eyebot Chat Room.
Url: https://goo.gl/gpMrK9

16. 收集資料
訓練資料
測試資料
輸入值(x) 輸出值(y)
1 90.77
2 92.74
3 93.98
輸入值(x) 輸出值(y)
4 95.29
儲存為
「訓練資料.csv」
儲存為
「測試資料.csv」

17. 匯入資料
點擊右邊選單「DATASETS」，
管理資料集
點擊「NEW」

18. 匯入資料
點擊「FROM LOCAL FILE」，匯
入檔案

19. 匯入資料
點擊「選擇檔案」，並選擇「訓
練資料.csv」
設定檔案類型為「Generic CSV file
with a header (csv)」
點擊「˅」

20. 匯入資料
完成匯入後，可於列表中看到
「訓練資料.csv」
點擊「NEW」

21. 匯入資料
點擊「FROM LOCAL FILE」，匯
入檔案

22. 匯入資料
點擊「選擇檔案」，並選擇「測
試資料.csv」
設定檔案類型為「Generic CSV file
with a header (csv)」
點擊「˅」

23. 匯入資料
完成匯入後，可於列表中看到
「測試資料.csv」
點擊「NEW」

24. 建立實驗模型
點擊右邊選單
「EXPERIEMENTS」，管理實驗
模型
點擊「NEW」

25. 建立實驗模型
點擊「Blank Experiment」，建立
空白專案

26. 建立實驗模型
空白專案

27. 建立實驗模型-訓練
於「Saved DatasetsMy Datasets」
中拖曳「訓練資料.csv」至專案中

28. 建立實驗模型-訓練
在本例主要採用「線性迴歸」
於「Machine LearningInitialize
ModelRegression」中拖曳「Linear
Regression」至專案中

29. 建立實驗模型-訓練
於「Machine LearningTrain」中拖
曳「Train Model」至專案中

30. 建立實驗模型-訓練
將「Linear Regression」連結至
「Train Model」
將「訓練資料.csv」連結至「Train
Model」
讓機器以線性迴歸模型進行學習，
並以訓練資料作為學習目標

31. 建立實驗模型-訓練
點擊「Launch column selector」，
設定輸入值和輸出值

32. 建立實驗模型-訓練
將「x」設定為「AVARABLE
COLUMNS」，即輸入值欄位
將「y」設定為「SELECTED
COLUMNS」，即輸出值欄位

33. 建立實驗模型-測試
於「Saved DatasetsMy Datasets」
中拖曳「訓練資料.csv」至專案中

34. 建立實驗模型-測試
於「Machine LearningScore」中拖
曳「Score Model」至專案中

35. 建立實驗模型-測試
將「Train Model」連結至「Score
Model」
將「測試資料.csv」連結至「Score
Model」
讓機器將測試資料輸入至訓練完
成之模型，用以產生預測值

36. 建立實驗模型-測試
於「Machine LearningEvaluate」
中拖曳「Evaluate Model」至專案
中

37. 建立實驗模型-測試
將「Score Model」連結至
「Evaluate Model」
讓機器計算預測值與真值的誤差

38. 執行和結果驗證
點擊下方選單「RUN」執行專案

39. 執行和結果驗證
當每個項目出現綠色「˅」符號，
代表已完成

40. 執行和結果驗證
全部完成後即可瀏覽結果

41. 執行和結果驗證
在「Train Model」下方圓點處，
點擊滑鼠右鍵
點擊「Visualize」，瀏覽訓練結果

42. 執行和結果驗證
可觀察線性迴歸之機器學習結果
斜率為1.60501
截距為89.2866

43. 執行和結果驗證
在「Train Model」下方圓點處，
點擊滑鼠右鍵
點擊「Visualize」，瀏覽預測結果

44. 執行和結果驗證
可觀察每筆測試資料之預測結果
在此例中，當x為4時，y預測值為
95.706881

45. 執行和結果驗證
在「Evaluate Model」下方圓點處，
點擊滑鼠右鍵
點擊「Visualize」，瀏覽驗證結果

46. 執行和結果驗證
可觀察測試資料之平均誤差
在此例中，誤差值為0.416681