O documento apresenta uma palestra sobre análise em tempo real utilizando machine learning e Power BI. Apresenta o processo de aquisição de dados, arquitetura proposta com sensores, gateway e barramento, escolha do algoritmo de regressão logística e demonstração no Azure ML e Power BI.

1. Real Time Analytics
Do Machine Learning ao Power BI
São Paulo, 02 de Dezembro de 2017

2. Lembre-se:
Celulares
Em Modo
Silencioso.

3. Diego Nogare
MVP Artificial Intelligence | 2008
Chapter Leader | SQL Saturday
Regional Mentor | Board Advisor
www.diegonogare.net
www.datascienceinstitute.com.br
www.livrosdonogare.com.br
www.ngrsolutions.com.br

4. Agenda

5. Agenda
Processo de Aquisição do Dado
Arquitetura proposta
Escolha do Algoritmo de Machine Learning
Demo
Perguntas

6. Processo de
aquisição do dado

7. Linha de Produção
Dados de treino
Imagine um sensor colocado
em um dispositivo embarcado
que coleta sinais de
temperatura, e outro que valida
se a maquina está funcionando
ou não. Este dispositivo manda
o sinal para um local de
armazenamento, que servirá de
base de treino para criar o
modelo preditivo.

8. Aquisição de dados

9. Criação do Modelo Preditivo

10. Saída do Processo

11. Entrada Algoritmos Saída
Classificação
Regressão
Cluster
etc
Rest API
Database
etc
Database
URL
CSV
etc

12. Arquitetura
proposta

14. Ambiente conectado
Barramento
Stream
Analytics
Consumo
Machine
Learning
Sensores Gateway
Fluxo de dados
A partir da coleta dos
sensores, o sinal é
enviado (opcionalmente)
ao gateway para chegar
ao barramento. O
Barramento faz o
trabalho de enviar o
sinal para o destino, que
será o processo de
Streaming. O Streaming
permite a Análise em
Tempo Real.

15. Montagem de baixo custo
Arduino Uno DHT11 Relê 5V

16. Escolha do
algoritmo de
Machine Learning

17. Regressão Logística

18. Regressão Logística

19. Regressão Logística

20. Regressão Logística

21. Regressão Logística

22. Regressão Logística

23. Regressão Logística

24. Regressão Logística

25. Regressão Logística

26. Demo

27. Geração do Modelo Preditivo no Azure
ML

28. Consumo no Power BI

29. Perguntas

30. Obrigado