Azure

Home - Archive by category: Azure

Microsoft BI naar de cloud brengen? Al gedacht aan …

Microservices analytics architectuur
Wanneer je je Microsoft BI & Analytics platform naar de cloud wilt brengen, is het verstandig om een goed ontwerp te maken, en zorgvuldig te evalueren welke componenten je zoal kunt gebruiken. Benieuwd naar wat er zoal verandert wanneer je je analytische data-platform naar de cloud brengt? ūüĎá
Read More

Data architectuur in Azure

Wist je dat Azure (volgens mijn eigen snelle telling op deze pagina) zo’n 218 verschillende producten aanbiedt? Dan kan het best een uitdaging zijn om je te ori√ęnteren op het migreren naar de cloud. Of het opstellen van je nieuwe, cloud-native,¬†data architectuur. Hoe weet je nu welke services je waarvoor moet gebruiken, en op welke[...]
Read More

Gestructureerde data: direct naar DW of via Data Lake?

Wanneer je aan een nieuwe Data Warehouse- en Analytics-architectuur werkt, is de kans groot dat je het Data Lake een plek wilt geven. Maar wat doe je met brondata die al gestructureerd is? Loopt die ook via het Data Lake? Nieuwe Data Warehouse-implementaties hebben tegenwoordig zelden nog een traditionele indeling van staging, historische opslag, integratie,[...]
Read More

Azure DevOps: Inrichten van DW/BI repositories

Poster Image
Ik heb een tweede video opgenomen over CI en CD met Azure DevOps (voormalig VSTS) het Microsoft Data Platform. Hierin ga ik in op het inrichten van je Azure DevOps repositories en mappenstructuur. Ik ben erg benieuwd wat je ervan vindt, dus laat even een bericht achter hieronder!
Read More

Introductie Azure DevOps voor BI

Poster Image
Momenteel ben ik bezig met het opnemen van enkele video’s waarin ik meer uitleg over het werken met CI en CD binnen Azure DevOps (voormalig VSTS) – specifiek voor projecten op het Microsoft Data Platform. De eerste video – Introductie Azure DevOps voor BI – vind je vanaf vandaag op YouTube:   Ik ben erg[...]
Read More

Azure ML Thursday 7: xgboost in Azure ML Studio

Last week, we trained an xgboost model for our dataset inside R. In order to use your trained dataset in Azure ML, you need to export & upload it much like we did two weeks ago in Python. Today, I’ll show how to import the trained R model into Azure ML studio, thus enabling you[...]
Read More

Azure ML Thursday 6: xgboost in R

Last Azure ML Thursdays¬†we explored how to do our Machine Learning in Python. Python in¬†Azure ML doesn’t include one particularly succesful algorithm though –¬†xgboost. Python packages are available, but just not yet for Windows – which means also not inside Azure ML Studio. But they are available inside R! Today, we take the same approach[...]
Read More

Azure ML Thursday 5: trained Python models

Last week, we stepped out of Azure ML to look at building ML models in Python using scikit-learn. Today, we focus on getting the trained model back into Azure ML Рthe place where my ML solutions live in a managed, enterprise environment.
Read More

Azure ML Thursday 4: ML in Python

On¬†this fourth Azure ML Thursday series we move our ML solution out of Azure ML and set our first steps in Python with scikit-learn. Today, we look at using “just” Python for doing ML, next week we bring the trained models to Azure ML.¬†You’ll notice there’s¬†a lot more to tweak and improve once you do[...]
Read More

Azure ML Thursday 3: Tuning hyperparameters

On this third Azure ML Thursday we’ll continue our series testing¬†different¬†models and tuning hyperparameters. Before playing with new algorithms or tuning parameters, be sure you know how to train and test your data!
Read More

Latest Posts

Categories