Bewertung von aktuellen Machine Learning Services basierend auf Big Data und Cloud

Inhaltsverzeichnis

• Zusammenfassung / Abstract
• 1. Motivation
• 2. Theoretische Grundlagen
  • 2.1. Big Data
  • 2.2. Cloud Computing
  • 2.3. Machine Learning
    • 2.3.1. Deep Learning
    • 2.3.2. Künstliche Neuronale Netze
    • 2.3.3. Machine Learning in der Praxis
  • 2.4. Google TensorFlow
    • 2.4.1. Tensoren
    • 2.4.2. Graphen/Dataflowgraphen
    • 2.4.3. Operationen
    • 2.4.4. Sessions
    • 2.4.5. Variablen
    • 2.4.6. Initialisierung
    • 2.4.7. Netzwerkarchitektur
    • 2.4.8. Kostenfunktion
    • 2.4.9. Hyperparameter
    • 2.4.10. Optimierer
    • 2.4.11. Training
    • 2.4.12. Tensor Board
• 3. Konzeption des Prototyps
  • 3.1. Zielbestimmung
  • 3.2. Sentiment Analyse
    • 3.2.1. Use Cases
  • 3.3. Konzeption eines ausgewählten Use Cases
  • 3.4. Anforderungen
• 4. Implementierung des Prototyps
  • 4.1. Systemarchitektur
    • 4.1.1. Systemkontext
    • 4.1.2. Systemkomponenten
  • 4.2. Realisierung der Big Data Stream Komponente
    • 4.2.1. Apache Flink Framework
    • 4.2.2. Beschreibung der Twitter-Datenquelle
    • 4.2.3. Apache Kafka
    • 4.2.4. Datenverarbeitung
  • 4.3. Realisierung der Machine Learning Komponente
    • 4.3.1. Beschreibung der Datenquellen
    • 4.3.2. Vorverarbeitung der Daten
    • 4.3.3. Definition des neuronalen Netzes
    • 4.3.4. Training des neuronalen Netzes
    • 4.3.5. Optimierungsverfahren
    • 4.3.6. Graph in TensorBoard
  • 4.4. Interaktion beider Komponenten
    • 4.4.1. Aufbau der Front-End Applikation
• 5. Services
  • 5.1. Machine Learning as a Service
    • 5.1.1. Definition von MLaaS
    • 5.1.2. Möglichkeiten mit MLaaS
    • 5.1.3. Auswahl der MLaaS Provider
  • 5.2. Google Cloud Platform
    • 5.2.1. Produkte und APIs
    • 5.2.2. Kosten
    • 5.2.3. Maschinentypen
    • 5.2.4. Verwendung der Google Cloud ML Engine
    • 5.2.5. Monitoring des Jobs
    • 5.2.6. Trainingsergebnis
  • 5.3. Amazon Web Services
    • 5.3.1. AWS Deep Learning AMI
    • 5.3.2. Kosten
    • 5.3.3. Verwendung des Deep Learning AMIs
    • 5.3.4. Trainingsergebnis
  • 5.4. Microsoft Azure
    • 5.4.1. Azure Virtual Maschines
    • 5.4.2. Kosten
    • 5.4.3. Verwendung der Azure NC Virtual Machine
    • 5.4.4. Trainingsergebnis
• 6. Evaluation der Services
  • 6.1. Definition der Bewertungskriterien
  • 6.2. Bewertung der Machine Learning Services
    • 6.2.1. Statistische Bewertungskriterien
    • 6.2.2. Erfahrungsbasierte Bewertungskriterien

Zielsetzung und Themenschwerpunkte

Die vorliegende Bachelorarbeit befasst sich mit der Evaluation von Machine Learning Services, die auf Big Data und Cloud Computing basieren. Ziel ist es, die marktführenden Cloud-fähigen Machine Learning Services zu bewerten und einen geeigneten Provider für die Entwicklung von Machine Learning Applikationen zu identifizieren. Hierfür wird ein Prototyp entwickelt, der eine Sentimentanalyse von Twitter-Daten durchführt und auf den ausgewählten Machine Learning Services trainiert wird.

• Big Data und Cloud Computing als Grundlage für Machine Learning Services
• Bewertung von Machine Learning Services der Anbieter Amazon Web Services, Google Cloud und Microsoft Azure
• Entwicklung eines Prototyps für die Sentimentanalyse von Twitter-Daten
• Einsatz des Frameworks TensorFlow für das Training des Prototyps
• Nutzwertanalyse der Machine Learning Services anhand verschiedener Kriterien

Zusammenfassung der Kapitel

Die Arbeit beginnt mit einer Motivation für die Evaluation von Machine Learning Services. In Kapitel 2 werden die theoretischen Grundlagen zu Big Data, Cloud Computing und Machine Learning erläutert. Dabei wird auch auf das Framework TensorFlow eingegangen, das für die Entwicklung des Prototyps verwendet wird. Kapitel 3 beschäftigt sich mit der Konzeption des Prototyps, einschließlich der Zielbestimmung und der Sentimentanalyse. Kapitel 4 beschreibt die Implementierung des Prototyps, wobei die Systemarchitektur, die Realisierung der Big Data Stream Komponente und die Realisierung der Machine Learning Komponente behandelt werden. Kapitel 5 präsentiert die einzelnen Machine Learning Services der Anbieter Google Cloud Platform, Amazon Web Services und Microsoft Azure. Dabei werden die Produkte, Kosten, Maschinentypen, Trainingsergebnisse und weiteren relevanten Aspekte beleuchtet. Abschließend erfolgt in Kapitel 6 die Evaluation der Services anhand verschiedener Kriterien, um den optimalen Cloud Provider für die Entwicklung von Machine Learning Applikationen zu identifizieren.

Schlüsselwörter

Machine Learning, Big Data, Cloud Computing, Sentimentanalyse, Twitter-Daten, TensorFlow, Amazon Web Services, Google Cloud Platform, Microsoft Azure, Prototypentwicklung, Nutzwertanalyse.