azure-ml-busan 캠프 발표 자료

Azure Machine Learning Camp in Busan

이 Repo는 Azure Machine Learning in 부산 - 발표자료 & 실습자료 Repo임

Azure Machine Learning in 부산 : http://onoffmix.com/event/103412/
Github URL : https://github.com/CloudBreadPaPa/azure-ml-busan

repo를 fork 후, clone 또는 download 수행

본 repo는 camp에서 순차적으로 진행됨. Repo를 fork 후 clone 하거나 download 수행

모바일 게임 데모 데이터

Game 데모 데이터는 가상의 모바일 게임사 시나리오에서 사용되는 게임사의 사용자 정보 예제 데이터임

https://github.com/CloudBreadPaPa/azure-ml-busan/tree/master/data 폴더 하위 참조

Game 이탈 예측 모델 구축 데모

Game 데이터에 대한 구조 이해

단계별 모델 구축

Machine Learning 모델을 생성

실시간 예측 분석

위의 공개한 분석모델을 활용해 예측모델(Predict model)을 구축하고 API를 통해 실시간 예측을 수행하는 것이 목표.

Machine Learning 모델을 생성 후, Resfult API로 Azure Machine Learning 모델 생성
학습 모델을 실행하고, Test 예측 결과 확인
예측 모델(Predictive model)로 생성 후 API Web Service로 배포

생성된 Web service의 API Key를 이용해 C# 코드에서 real-time predict 수행 (코드 폴더 참조)


public class UserChurnController : ApiController  

{

    // POST api/UserChurn

    public HttpResponseMessage POST(CBChurn p)

    {

        // Machine Learning 분석 요청

        InvokeRequestResponseService(p).Wait();

        ...

    }



    // Machine Learning Web Service 호출

    static async Task InvokeRequestResponseService(CBChurn p)

    {

        ...

        const string apiKey = "API키-수정"; // Replace this with the API key for the web service

        client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", apiKey);

        client.BaseAddress = new Uri("Machine-Learning-Web-Service-URL-수정");

        HttpResponseMessage response = await client.PostAsJsonAsync("", scoreRequest).ConfigureAwait(false);

        if (response.IsSuccessStatusCode)

        {

            string result = await response.Content.ReadAsStringAsync();

            Debug.WriteLine("Result: {0}", result);

            p.ChurnYN = result;

        }

        ...

    }

}

Machine Learning API Controller를 publish 하고, 코드를 실행해 테스트 하거나, Postman 등에서 테스트 수행해 real-time prediction 수행
Batch 작업을 수행하기 위해서 Machine Learning Batch execution이 제공하는 코드 이용이 가능.
추가적으로, Functions를 이용해 server-less로 batch 호출 역시 가능
Excel을 이용해 Batch 분석도 가능

Python + Machine Learning 데모 코드

Azure Machine Learning이 노출하는 API를 Python에서 호출하는 예제 수행

Iris 데이터를 호출해 RRE를 수행하는 예제

python 폴더 하위의 ml-Iris.py 파일 참조


import urllib2

# If you are using Python 3+, import urllib instead of urllib2



import json 





data =  {



        "Inputs": {



                "input1":

                {

                    "ColumnNames": ["Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width", "Species"],

                    "Values": [ [ "0", "0", "0", "0", "" ], [ "1", "1", "1", "1", "" ], ]

                },        },

            "GlobalParameters": {

}

    }



body = str.encode(json.dumps(data))



url = 'https://asiasoutheast.services.azureml.net/workspaces/<ML-API-URL>'

api_key = '<API-KEY>' # Replace this with the API key for the web service

headers = {'Content-Type':'application/json', 'Authorization':('Bearer '+ api_key)}



req = urllib2.Request(url, body, headers) 



try:

    response = urllib2.urlopen(req)



    # If you are using Python 3+, replace urllib2 with urllib.request in the above code:

    # req = urllib.request.Request(url, body, headers) 

    # response = urllib.request.urlopen(req)



    result = response.read()

    print(result) 

except urllib2.HTTPError, error:

    print("The request failed with status code: " + str(error.code))



    # Print the headers - they include the requert ID and the timestamp, which are useful for debugging the failure

    print(error.info())



    print(json.loads(error.read()))

User Churn Predition을 수행하는 RRE를 수행하는 예제

python 폴더 하위의 ml-user-churn.py 파일 참조


import urllib2

# If you are using Python 3+, import urllib instead of urllib2



import json 





data =  {



        "Inputs": {



                "input1":

                {

                    "ColumnNames": ["MemberID", "LastLoginDT", "Level", "Exps", "Points", "SumItemCount", "SumPurchasePrice", "ChurnYN"],

                    "Values": [ [ "value", "value", "0", "0", "0", "0", "0", "value" ], [ "value", "value", "0", "0", "0", "0", "0", "value" ], ]

                },        },

            "GlobalParameters": {

}

    }



body = str.encode(json.dumps(data))



url = 'https://asiasoutheast.services.azureml.net/workspaces/<ML-API-URL>'

api_key = '<API-KEY>' # Replace this with the API key for the web service

headers = {'Content-Type':'application/json', 'Authorization':('Bearer '+ api_key)}



req = urllib2.Request(url, body, headers) 



try:

    response = urllib2.urlopen(req)



    # If you are using Python 3+, replace urllib2 with urllib.request in the above code:

    # req = urllib.request.Request(url, body, headers) 

    # response = urllib.request.urlopen(req)



    result = response.read()

    print(result) 

except urllib2.HTTPError, error:

    print("The request failed with status code: " + str(error.code))



    # Print the headers - they include the requert ID and the timestamp, which are useful for debugging the failure

    print(error.info())



    print(json.loads(error.read()))

EOF

CloudBreadPaPa / azure-ml-busan