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

Inhaltsverzeichnis

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. TensorBoard

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

6.2.3. Quellenbasierte Bewertungskriterien

6.3. Evaluierung der Services

6.3.1. Grundlagen der Nutzwertanalyse

6.3.2. Durchführung der Nutzwertanalyse

6.4. Fazit und Ausblick

Zielsetzung & Themen

Diese Arbeit zielt darauf ab, die führenden Cloud-basierten Machine Learning Services (Amazon Web Services, Google Cloud Platform und Microsoft Azure) im Hinblick auf ihre Eignung für Deep-Learning-Anwendungen systematisch zu bewerten. Durch die Implementierung eines Prototypen, der eine Sentiment-Analyse auf Twitter-Daten durchführt, werden die Services unter vergleichbaren Bedingungen trainiert und evaluiert.

• Vergleich und Evaluierung von MLaaS-Anbietern (AWS, GCP, Azure)
• Entwicklung einer Machine-Learning-Pipeline (Deep Learning mit TensorFlow)
• Technische Analyse von Cloud-Infrastrukturen und Service-Architekturen
• Durchführung einer Nutzwertanalyse zur Entscheidungsunterstützung
• Optimierung von Trainingsprozessen unter Cloud-Bedingungen

Auszug aus dem Buch

Zusammenfassung der Kapitel

1. Motivation: Einleitung in die Relevanz von Deep Learning und die Notwendigkeit einer Evaluierung von Cloud-basierten ML-Services.

2. Theoretische Grundlagen: Erläuterung der Kernkonzepte von Big Data, Cloud Computing und Machine Learning, inklusive einer detaillierten Einführung in das Framework TensorFlow.

3. Konzeption des Prototyps: Definition der Zielbestimmung, des gewählten Use-Cases (Sentiment Analyse von Twitter-Daten) und der Anforderungen an das System.

4. Implementierung des Prototyps: Technische Beschreibung der Systemarchitektur, der Realisierung der Daten-Pipeline (Big Data & ML) und der Netzarchitektur.

5. Services: Detaillierte Darstellung der Cloud-Anbieter, ihrer Preismodelle und der Vorgehensweise zur Implementierung des Prototyps auf den jeweiligen Plattformen.

6. Evaluation der Services: Durchführung und Auswertung der Nutzwertanalyse sowie abschließendes Fazit und Ausblick.

Schlüsselwörter

Machine Learning, Deep Learning, Cloud Computing, Sentiment Analyse, TensorFlow, Big Data, Amazon Web Services, Google Cloud Platform, Microsoft Azure, Prototyping, Nutzwertanalyse, GPU-Beschleunigung, Künstliche Neuronale Netze, Twitter-API, Datenverarbeitung

Häufig gestellte Fragen

Worum geht es in dieser Bachelorarbeit grundsätzlich?

Die Arbeit bewertet die marktführenden Cloud-basierten Machine-Learning-Dienste (AWS, Google Cloud, Azure) im Hinblick auf ihre Leistungsfähigkeit bei der Entwicklung und dem Training von Deep-Learning-Modellen.

Was sind die zentralen Themenfelder der Arbeit?

Die zentralen Felder umfassen Cloud Computing, Big Data, die Funktionsweise neuronaler Netze, das Framework TensorFlow und die praktische Evaluation von ML-Services in der Cloud.

Was ist das primäre Ziel der Forschungsarbeit?

Das primäre Ziel ist es, Entwicklern und Datenanalytikern eine Entscheidungsgrundlage für die Auswahl des optimalen Cloud-Providers zu bieten, basierend auf einer objektiven Nutzwertanalyse.

Welche wissenschaftliche Methode wird verwendet?

Es wird eine Prototypentwicklung angewandt, bei der ein einheitliches Deep-Learning-Modell (Sentiment Analyse) auf verschiedenen Cloud-Plattformen trainiert und anschließend mittels einer Nutzwertanalyse evaluiert wird.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil gliedert sich in die theoretischen Grundlagen, die Konzeption und Implementierung des Prototyps (inkl. Data-Streaming mit Apache Flink und ML mit TensorFlow) sowie die detaillierte Evaluierung der gewählten Services.

Welche Begriffe charakterisieren diese Arbeit besonders?

Charakterisierende Begriffe sind MLaaS (Machine Learning as a Service), TensorFlow, Deep Learning, Cloud-Infrastruktur, Skalierbarkeit und Test-Accuracy.

Warum wurde TensorFlow als Framework für den Prototypen ausgewählt?

TensorFlow wurde gewählt, da es ein führendes Open-Source-Framework für maschinelle Intelligenz ist und auf allen untersuchten Cloud-Plattformen umfassende Unterstützung bietet.

Welches Ergebnis liefert die Nutzwertanalyse am Ende der Arbeit?

Die Nutzwertanalyse ergibt, dass Amazon Web Services mit dem Deep Learning AMI den höchsten Nutzwert erzielt, wobei auch Microsoft Azure aufgrund seiner Performance und Kosteneffizienz eine starke Alternative darstellt.