Data Mining vs. Machine Learning

Minulý týden mi vyšel článek na MSDN na téma Data Mining vs. Machine Learning. Jedná se o lehce modifikovanou verzi předchozího článku a Azure Machine Learningu. Porovnávám obě technologie a popisuji, v čem je ML jiný, než DM

http://blogs.msdn.com/b/vyvojari/archive/2015/08/27/data-mining-vs-machine-learning.aspx

Sentiment analýza přes PowerBI

Po delší odmlce se opět dostávám ke psaní článků. Výpadek byl způsoben větším množstvím práce a komunitními akcemi. 3 přednášky na konferenci TechEd a 2x WUG (Zlín, Ostrava).

I na těchto akcích jsem ukazoval demo sentiment analýza přes PowerBI nástroje. O co se jedná? Firmě by se mohlo hodit jaká je zpětná vazba k jejím službám, aby mohla své služby zlepšovat. Příklad z reálného života, měl jsem požadavek od jedné spolupracující firmy na vyhodnocení slovních komentářů k aplikaci v Android marketu, co se uživatelům aplikace líbí a nelíbí. Dalším použitím by mohla být analýza Tweetů, komentářů na Facebooku (PowerQuery má Facebook konektor už nějakou dobu).

Jak by se k problému dalo přistoupit? Buď můžete najmout člověka, který bude komentáře, statusy atd. číst a vyhodnocovat. Nebo na to pustíme stroje. Pro strojové zpracování dat se jedná o slušnou výzvu pro vývojáře. Naprogramovat aplikaci, která je schopná porozumnět lidské řeči, rozlišit ironii od upřímně mysleného komentáře není vůbec jednoduché. Chtělo by to nástroj, který je schopný pracovat s textem a pokud možno i učit se ze svých chyb. V Azure Microsoft nabízí službu Azure Machine Learning, která tomuto přesně vyhovuje. Službu naštěstí může použít i člověk, který Azure ML nikdy v životě neviděl a není programátor. Datoví vědci, kteří problematice rozumí a mají nezbytné IT schopnosti se mohou o své výtvory podělit a i na nich vydělávat peníze. Mnoho algoritmů je dostupných i zdarma pro každého.

Pokud byste si chtěli přidat nějakou funkcionalitu z Azure Marketplace, najdete ji na webu http://datamarket.azure.com/browse/data

Mezi algoritmy byste našli i Lexicon Based Sentiment Analysis (pod Machine learning) zde

https://datamarket.azure.com/dataset/aml_labs/lexicon_based_sentiment_analysis

Po registraci dát pořídit funkci. Problém s lexicon based (na základě slovníku) je, že bude reagovat pouze na anglický slovník. Česká data bych potřeboval prvně přeložit do angličtiny, abych mohl provádět Sentiment analýzu. A proč se omezovat na jeden jazyk? Můžeme pvně zjistit jakým jazykem je psaný komentář a tento přeložit do angličtiny, poté vyhodnotit sentiment.

Pro detekci jazyka a překlad můžeme použít MS Translator API v datamarketu, funkci naleznete zde https://datamarket.azure.com/dataset/bing/microsofttranslator

Celou následující demonstraci jsem předváděl na WUG v Brně, na video záznam se můžete podívat na následujícím linku http://www.wug.cz/zaznamy/264-Excel-a-Self-Service-nastroje-pro-Business-Intelligence v čase okolo: 2:50:00

Použiji jen trochu jiná data

Prvně si napíšu do Excelu data do tabulky k analýze. Můžeme zkoušet různé jazyky.

Komentář

Miluji svého šéfa, je to skvělý chlap

Včerejší nehoda na D1 mi radost neudělala, zkysnul jsem tam na 2 hodiny

Venku je dnes hnusně, zůstanu raději pod peřinou

Kolega evidentně není z nejbystřejších

To je dobré jak cyp

Je to čudné, něpáčí sa mi to

Ještě jednou mi zavoláte a budu si stěžovat

Horší oběd jsem v životě nejedl, zvracel jsem ještě několik hodin

čo bolo to bolo, terazky som majorom

čo vravíš ty somár?

I like the way you use PowerQuery

PowerView sucks, you can't change labels

Awwwwwssssssoooooomeeeeeeee

V PowerQuery vyberu, že chci přidat data z Excelové tabulky (Excel Data – From Table). Dotaz zavřu křížkem a zachovám změny. Přidám další zdroj dat From Azure – From Azure Data Marketplace a postupně vyklikám, že chci přidat referenci na funkce z Microsoft Translatoru – Detect (detekce jazyka, ve kterém byl komentář) a Translate pro překlad do angličtiny. Z Lexicon Based Sentiment Analýzy vyberu jedinou funkci Score. Tímto bychom měli vidět v seznamu PowerQuery dotaz Table1 a 3 referencované funkce, klikneme pravým talčítkem na Table1 a dáme Edit. Vidíme zpět náhled tabulky a jdeme na věc.

Prvně budu muset detekovat jazyk funkcí Detect. Přidávám sloupec (Add column - Add custom column) a píši vzorec

Detect([Komentář])

Potvrzuji a vyskakuje na mě tabulka, opravdu chcete ony citlivá data z dokumentu kombinovat z funkcí volanou z internetu. Musím označit data ze sešitu jako public, jinak dostanu chybovou hlášku. Rozbaluji tabulku, ruším prefix a dostávám následující výstup. Pravda, že ne vždy se musí trefit. Viz je to dobré jak cyp.

Komentář	Code
Miluji svého šéfa, je to skvělý chlap	cs
Včerejší nehoda na D1 mi radost neudělala, zkysnul jsem tam na 2 hodiny	cs
Venku je dnes hnusně, zůstanu raději pod peřinou	cs
Kolega evidentně není z nejbystřejších	cs
To je dobré jak cyp	sk
Je to čudné, něpáčí sa mi to	sk
Ještě jednou mi zavoláte a budu si stěžovat	cs
Horší oběd jsem v životě nejedl, zvracel jsem ještě několik hodin	cs
čo bolo to bolo, terazky som majorom	sk
čo vravíš ty somár?	sk
I like the way you use PowerQuery	en
PowerView sucks, you can't change labels	en
Awwwwwssssssoooooomeeeeeeee	en

Přidávám obdobně další sloupec a píši vzorec s funkcí Translate v pořadí co chci přeložit, do jakého jazyka z jakého jazyka

Translate([Komentář],"en",[Code])

Rozbaluji tabulku bez prefixu a získávám přeložená data

Komentář	Code	Text
Miluji svého šéfa, je to skvělý chlap	cs	I love my boss, he's a great guy
Včerejší nehoda na D1 mi radost neudělala, zkysnul jsem tam na 2 hodiny	cs	Last night's accident on D1 me happy, I was stuck there for 2 hours
Venku je dnes hnusně, zůstanu raději pod peřinou	cs	Out today is bad, you'd better stay under the covers
Kolega evidentně není z nejbystřejších	cs	A colleague is clearly not of the brightest
To je dobré jak cyp	sk	It is a good idea as cyp
Je to čudné, něpáčí sa mi to	sk	It's strange to me that něpáčí
Ještě jednou mi zavoláte a budu si stěžovat	cs	You call me one more time and I'll complain
Horší oběd jsem v životě nejedl, zvracel jsem ještě několik hodin	cs	The worse I've ever eaten lunch, I threw up a few more hours
čo bolo to bolo, terazky som majorom	sk	what it was was I his terazky
čo vravíš ty somár?	sk	What vravíš you a donkey?
I like the way you use PowerQuery	en	I like the way you use PowerQuery
PowerView sucks, you can't change labels	en	PowerView sucks, you can''t change labels
Awwwwwssssssoooooomeeeeeeee	en	Awwwwwssssssoooooomeeeeeeee

Zbývá vyhodnotit sentiment za použití funkce Score. Přidávám nový sloupec a píši vzorec

Score([Text])

rozbaluji Result bez prefixu a získávám sentiment, škála od -1 (negativní) do 1 pozitivní, 0 neutrál. Desetinné číslo se záporným znamínkem spíš negativní, atd.

Komentář	Code	Text	result
Miluji svého šéfa, je to skvělý chlap	cs	I love my boss, he's a great guy	1
Včerejší nehoda na D1 mi radost neudělala, zkysnul jsem tam na 2 hodiny	cs	Last night's accident on D1 me happy, I was stuck there for 2 hours	1
Venku je dnes hnusně, zůstanu raději pod peřinou	cs	Out today is bad, you'd better stay under the covers	-0.333333333
Kolega evidentně není z nejbystřejších	cs	A colleague is clearly not of the brightest	1
To je dobré jak cyp	sk	It is a good idea as cyp	1
Je to čudné, něpáčí sa mi to	sk	It's strange to me that něpáčí	-1
Ještě jednou mi zavoláte a budu si stěžovat	cs	You call me one more time and I'll complain	-1
Horší oběd jsem v životě nejedl, zvracel jsem ještě několik hodin	cs	The worse I've ever eaten lunch, I threw up a few more hours	-1
čo bolo to bolo, terazky som majorom	sk	what it was was I his terazky	0
čo vravíš ty somár?	sk	What vravíš you a donkey?	0
I like the way you use PowerQuery	en	I like the way you use PowerQuery	1
PowerView sucks, you can't change labels	en	PowerView sucks, you can''t change labels	0
Awwwwwssssssoooooomeeeeeeee	en	Awwwwwssssssoooooomeeeeeeee	0

Pravda je, že to Score ne vždy trefilo (stížnost na zásek na D1 (ale zde pochybyl už překladač). Chtělo by to tedy stejně ruční validaci a aby se stroj mohl učit z vlastních chyb.

Závěr

K tomuto nápadu mě přivedl článek Chrise Webba (blog: http://cwebbbi.wordpress.com  v angličtině), nicméně jsem jej musel modifikovat s překladem do češtiny. Stěžejním bodem dnešního článku není, že sentiment analýza přes Excel je nejúžasnější věc na světě. Vidíte, že to nefunguje na 100% (byť je to fajn a lepší než číst dlouhé texty a snažit se sám detekovat jazyk a překládat a i to score se hodí). Stěžejní myšlenkou je, že se můžu z PowerQuery připojit na programové API od třetí strany a uživatelsky využívat službu Machine Learning aniž bych byl Datový vědec (Data Scientist)