This time I like to share my experiences how I could utilize files saved on my Azure Virtual Machine. My ultimate goal was to test can I access those with Azure Data Factory SSIS Integration Runtime without copying the files into Azure File Share. However I decided to start trying to access those files from my own workstation with map network drive method and not with remote desktop connection.

First I shared a folder on my Azure Virtual Machine. Then I started googling and found some instructions how I could connect my computer to Azure Virtual Network (VNet). I had to create so called point-to-site connection to my Azure (VNet). I had already my VNet in place and my virtual machine connected to it. VNet is type “new”, I don’t know what it is called officially, but not Classic one.

I started from creating a Gateway subnet into my VNet. You can create it by selecting first Subnets and then by clicking “Gateway subnet”.

Jatka lukemista ”Utililize Azure Virtual Machine file folder from your own computer” →

Päivitin vuoden 2017 moottoripyörien myyntiä koskevan analyysini tuoreella 1-6 2018 Trafin datalla. Muutin vähän käsittelysääntöjä ja rupesi oikein itseänikin epäilyttämään meniköhän kaikki oikein. Kasvua nimittäin vuoden takaiseen vastaavaan ajankohtaan olisi peräti 8,2 %! No tällä mennään kunnes jostain tulee varmistus, että väärin meni.

Jatka lukemista ”Uudet moottoripyörät 1-6 2018” →

Maybe you need to relax while reading many technical articles? Here’s one way to do that. Make a jigsaw puzzle! I found this nice web site www.jigidi.com and created my own jigsaw puzzle from picture taken at Hvar, Croatia.

Jatka lukemista ”Tired of reading? Make a jigsaw puzzle!” →

I decided to test drive Azure Data Factory v2, which has been in public preview since 25.9.2017, so quite long time. Main improvement from my point of view in this version 2 is support for SSIS packages. Basically you can now do your SSIS package ETL development with Visual Studio as before, but deploy and execute those packages in the cloud.

Jatka lukemista ”Test driving Azure Data Factory v2 and Azure SQL Database” →

Today I’m writing about relatively new Power BI visualization called Synoptic Panel. It allows to draw your own ”maps” from your own images and use those ”maps” to interact with your data. I’m using quotation marks around word ”maps”, because basically your image can describe whatever you want – a car, a warehouse, a human body or custom map. I think most typical use case would be using custom map, where reporting areas are not supported by Bing maps.

Jatka lukemista ”Custom maps/visuals in your Power BI report” →

This time I decided to write my blog in English, because this is a little bit deep s**t. I’m not describing how I created my machine learning project for predicting ice hockey results, because I have written about that in previous blogs, but I’m describing how I semi-automated the retraining process, which has to be done after every round.

First I needed those results and statistics from played games. I have described that process over here. In my training data I duplicate every game – one row for home team and one row for away team.

Jatka lukemista ”Azure Machine Learning retrain, running R scripts with Power BI and some DAX” →

Trafi julkaisi 2017 viimeisimmän kvartaalin Ajoneuvotiedot-aineistostaan eilen. Niinpä päivitin tiedot myös aikaisemmassa blogissani julkaisemaani analyysiini.

Kolme myydyintä merkkiä:

Jatka lukemista ”Päivitys Autot 2017 -analyysiin” →

Päätin paketoida aikaisemmat analyysini uusiin kuoriin eli hyödynsin Trafin dataa uusien autojen erilaiseen analysointiin sekä joulukuun myyntimäärien ennustamiseen. Tällä kertaa en kuvaa teknistä suoritusta ollenkaan, koska samat asiat on kuvattu jo aiemmissa blogeissa.

Itse analyysiin pääset klikkaamalla tästä. Eli jos kiinnostaa miten markkinat jakautuvat hybridien tai ruumisautojen osalta, niin nyt saat vastauksen näihin askarruttaviin kysymyksiin! Jatka lukemista ”Uudet autot 1-9 2017” →

Päätin kokeilla miten Microsoft Azure Machine Learning (ML) palvelu toimii pilvessä. Ja hyvinhän se toimi! Valitsin dataksi jo aikaisemmin hyödyntämäni Helsingin pyöräilijämäärät -aineiston, joka kattoi 1.1.2014-31.3.2017 välisen ajan. Päätin ennustaa Baanan pyöräilijämääriä päivämäärä ja tuntitasolla. Houkuttelevaa olisi ollut lisätä säätietoja ennustamiseen, mutta en tässä yhteydessä jaksanut sitä urakkaa tehdä, vaikka data sinällään olisi saatavilla ja olisi ehdottomasti parantanut ennustemallin luotettavuutta.

Jatka lukemista ”Koneoppimista Azure Machine Learningin avulla” →