개요

이번에는 Cortana Intelligence Suite 구축(4차)에서 출력된 도쿄 지하철 각 노선의 항행 정보 데이터와 기상청 기상 데이터를 조합하여 날씨, 요일을 바탕으로 Azure Machine Learning으로 각 노선의 지연 시간을 계산하는 기계 학습 모델을 구축하고자 한다.

미리 준비한 물건

Azure 가입

Cortana Intelligence Suite 구축(4차) 출력된 데이터

단계 설정

기상청 데이터 준비

기상청은 과거 기상청이 관측한 모든 기상정보를 CSV 형식으로 다운로드할 수 있는 사이트를 제공했다.이번에는 이 사이트에서 다운로드한 CSV 파일과 도쿄 지하철의 항행 데이터를 조합해 보려고 한다.

http://www.data.jma.go.jp/gmd/risk/obsdl/index.php을 선택한 다음 장소를 선택합니다.이번에는 도쿄를 택했다.

자세한 지역을 선택할 수 있기 때문에 도쿄를 검사해야 한다.전 장소를 선택할 수도 있지만 한 번에 다운로드할 수 있는 데이터의 양이 제한되어 있기 때문에 가능한 한 작은 범위와 항목을 선택하세요.

내보낼 항목을 선택합니다.이번에 이용한 것은 기온, 강수량, 풍향, 풍속과 날씨다.

내보낼 기간을 선택합니다.여기, Cortana Intelligence Suite 구축(4차) 에서 출력하는 기간을 선택하세요.

표시 옵션은 그대로 유지되며 CSV 파일 다운로드를 클릭합니다.

이렇게 하면 데이터를 이용할 수 없기 때문에 Excel로 가공한다.품질 정보, 균일 번호 열을 삭제합니다.
날씨의 열은 숫자로 표시되기 때문에 여기에 기록되어 있다, 표와 문자열을 대체합니다.
Before:

After:

나중에 가공된 CSV를 사용하여 데스크탑 등에 저장합니다.

이대로 가면 문자화되기 때문에 수첩에서 다시 열고 문자 코드를'UTF-8'로 덮어쓰고 저장합니다.
이렇게 하면 날씨 정보의 준비가 다 된다.

Azure Machine Learning 준비

사용하기 위해서는 먼저 "경전 문호"부터 Azure Machine Learning에 서명해야 합니다.
액세스

https://manage.windowsazure.com/를 클릭하고 Machine Learning을 클릭한 다음 ML 작업공간 만들기를 클릭합니다.

화면 아래에 새 화면이 표시됩니다.작업공간 이름을 입력하고 일본에서 가장 가까운 "Southeast Asia"를 선택합니다.스토리지 계정을 "새 스토리지 계정 생성"으로 설정하고 필요한 스토리지 계정 이름을 입력합니다.모두 작성한 후 ML 작업공간 만들기를 선택합니다.

배포를 시작합니다.약 1분에서 3분 후에 완성합니다.

배포가 완료되면 다음 내용이 표시됩니다.

이제 새로 생성된 Azure Machine Learning 환경을 선택할 수 있습니다.화살표(→)를 클릭합니다.

ML Studio에 로그인을 클릭합니다.

Microsoft Azure Machine Learning Studio 화면이 별도의 창에 표시됩니다.이로써 Azure Machine Learning 환경이 준비되었습니다.

Azure Machine Learning으로 예측 모델 구축

Azure Machine Learning은 데이터 원본으로 여러 가지 선택을 준비했습니다. Azure 저장 계정, Azure SQL 데이터베이스, Azure Data Lake 등 Azure 서비스는 말할 필요도 없고 이외에도 로컬에 저장된 파일을 직접 업로드할 수 있습니다.이번에는 Cortana Intelligence Suite 구축(4차) 수출 목적지로 이용된 Azure 저장 계정을 소개하고 사전에 준비한 기상정보(weather_data.csv)를 업로드하는 방법 2개를 소개한다.

로컬 파일

화면 왼쪽 아래에 있는 + NEW를 선택합니다.

DATASET>FROM LOCAL FILE을 선택합니다.

파일 선택을 누르고 데스크톱에서 "weather_data.csv"를 선택하십시오.확인을 클릭하여 업로드를 시작합니다.

업로드가 시작되면 다음 메시지가 표시됩니다.

이 완료되면 다음이 표시됩니다.

Azure 스토리지 계정

Azure 스토리지 계정을 데이터 소스로 사용하려면 스토리지 계정 키를 미리 가져와야 합니다.
그런 다음 Azure Machine Learning Studio에서 새 실험(Experiment)을 만듭니다. 이 실험에서 데이터 원본은 Azure 저장 계정이어야 합니다.

Azure Portal에서 생성된 스토리지 계정에 액세스합니다.
Cortana Intelligence Suite 구축(4차)

"액세스 키"를 누르고 "스토리지 계정 이름"과 "키 1"키를 복사하여 수첩에 붙여넣습니다.

experiments를 클릭합니다.
http://studio.azureml.com를 클릭하십시오.

화면 왼쪽 아래에 있는 + NEW를 선택합니다.

Experiment를 선택하고 Blank Experiment를 클릭합니다.

실험(Experiment) 화면입니다.우선 실험명이'Experiment created on<제작일>'이기 때문에 이해하기 쉬운 이름으로 바뀌었다.

왼쪽에 모듈 카테고리가 표시됩니다.를 클릭하여 범주의 각 모듈을 표시합니다.Azure 스토리지 계정에 연결하려면 데이터 입력 및 내보내기 범주에서 데이터 가져오기를 선택합니다.

데이터 가져오기를 가운데로 드래그합니다.화면 오른쪽에 데이터 가져오기 속성이 표시됩니다.

데이터 소스를 Azure Blob Storage, Authentication Type을 Storage Account로 설정합니다.(2)에서 가져온 스토리지 계정 이름을 계정 이름에 붙여넣고, 키를 계정 키에 붙여넣습니다.
Path to container는 에서 정의된 파일 대상 경로입니다.
제 상황은 "tyqiita/output/result.txt"입니다.'캐시 사용'을 선택하면 Azure Machine Learning은 매번 Azure Blob Storage에서 데이터를 검색하지 않고 캐시를 저장하여 향후 구축 작업이 Azure Machine Learning에서 신속하게 처리될 수 있도록 합니다.
Cortana Intelligence Suite 구축(4차)

에 액세스할 수 있는지 확인하려면 실행 을 클릭합니다.

처리가 완료되면 화면 오른쪽 위에 "Finished Running"이 표시됩니다.실제 캡처된 데이터를 보려면 가져오기 데이터를 마우스 오른쪽 버튼으로 클릭하고 결과 데이터 세트에서 시각화 를 클릭합니다.

화면에 테이블이 표시됩니다.이것은 실제 포획된 데이터의 미리 보기 화면이다.열을 누르면 몇 개의 유일한 값이 있는지, 어떤 종류의 열(값, 문자열, 날짜 등)에 대한 정보를 볼 수 있습니다.

데이터 준비 완료다음에 이 데이터를 이용하여 기계 학습 모형을 만들 것이다.