Carregado porDiego Nogare
Real Time Analytics e Machine Learning
O documento discute um processo de aquisição e análise de dados em tempo real. Ele propõe uma arquitetura com sensores coletando dados que são enviados para armazenamento e análise, incluindo machine learning. A escolha de algoritmo sugerida é regressão logística para criar um modelo preditivo a partir dos dados coletados.
Real Time Analytics e Machine Learning
- 1. Real Time Analytics DiegoNogare Chief Data Officer @ Lambda3 diego.nogare@lambda3.com.br
- 2. Agenda- Processo deAquisição do Dado - Arquitetura proposta - Escolha do Algoritmo de Machine Learning - Perguntas
- 3.
- 4. Linha de Produção Dadosde 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.
- 5.
- 6. Criação do ModeloPreditivo
- 7.
- 8. Fluxo de dados EntradaAlgoritmos SaídaClassificação Regressão Cluster etc Rest API Database etc Database URL CSV etc
- 9.
- 11. Ambiente conectado Fluxo dedados 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. Barramento Stream Analytics Consumo Machine Learning Sensores Gateway
- 12. Montagem de baixocusto Arduino Uno DHT11 Relê 5V
- 13. Escolha do Algoritm deMachine Learnin
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24. Geração do ModeloPreditivo no Azure ML
- 25.
- 26. Excelência técnica paraacelerar sua jornada digital. w w w. l a m b d a 3 . c o m . b r