2019/02/27 | 28 Raspberry Pi と Microsoft Azure を使用したハンズオンの資料です。 1. 本日の環境 2. 本日の構成 3. IoT デバイス - Raspberry Pi 4. Microsoft Azure 5. IoT ハブ | Azure 6. SQL データベース | Azure 7. マシンラーニング スタジオ | Azure 8. ストリーム アナリティクス | Azure 9. [オプション] Power BI 10. 後片付け

1. 機械学習勉強会 #2
IoT編
2019/02/27 | 28
小島 富治雄

2. 1. 本日の環境
2. 本日の構成
3. IoT デバイス - Raspberry Pi
4. Microsoft Azure
5. IoT ハブ | Azure
6. SQL データベース | Azure
7. マシンラーニング スタジオ |
Azure
本日ご紹介する内容
1
8. ストリーム アナリティクス | Azure
9. [オプション] Power BI
10. 後片付け

3. 以下の Microsoft Docs のチュートリアルが元
Raspberry Pi から クラウドへ (Node.js) - Raspberry Pi の
Azure IoT Hub への接続
シミュレートした Raspberry Pi から クラウドへ (Node.js) -
Raspberry Pi Web シミュレーターの Azure IoT Hub への接続
Azure IoT Hub から取得したリアルタイム センサー データの視覚化
– Power BI
本日のハンズオン
2

4. 本日の環境
3
この写真 の作成者 不明な作成者 は CC BY-NC-ND のライセンスを許諾されています

5. Microsoft Azure
SQL Server Management Studio
[オプション] Power BI
インターネットにつながる環境
推奨 Webブラウザー: Edge, Chrome
ハンズオンの環境
4

6. 1. ご自身の Visual Studio サブスクリプションの Microsoft アカウントでサインイン
2. 「職場または学校アカウント」か「個人アカウント」かを訊かれた場合は、使用するアカウントを選択
Microsoft アカウントへのサインイン
(Visual Studio サブスクリプション がある場合)
5

7. 1. My Visual Studio を開く (必要に応じてサインイン)
2. Azure 特典をアクティブ化
※ Visual Studio Enterprise の場合は
150ドルのクレジット/月、
Visual Studio Professional の場合は
50 ドルのクレジット/月
Visual Studio サブスクリプションの Azure 特典
6
※ Visual Studio サブスクリプションの Azure 特典をアクティブにしていない人はアクティブ化

8. Microsoft Azure のポータル を開く (必要に応じてサインイン)
次のどちらかの画面になればOK
Microsoft Azure
7
ホーム | ポータル | Microsoft Azure ダッシュボード| ポータル | Microsoft Azure

9. リソース
①
②
リソース グループの作成
8

10. ①
②
これから作成する各種リソースは、
このリソース グループに属する
作成済みのリソースを探すときも、
ポータル → リソース グループ → 20190227
とすることで見つけやすくなる
このリソース グループを削除することで、
今回の作成した各種リソースを一括削除できる
9

11. Visual Studio サブスクリプションの Power BI Pro
Power BI
10

12.  My Benefits | My Visual Studio で Power BI Pro の特典の
「コードを取得」して「アクティブ化」
Power BI
11

13. Power BI のアカウントを既存のサブスクリプションに追加
12

14. Power BI を開く (必要に応じてサインイン)
Power BI
13

15. SQL Server Management Studio (SSMS) のダウンロード
SQL Server Management Studio
14
ダウンロードしてインストール

16. 本日のシナリオ
15
IoT デバイス
福井市の
天候データ
マシン
ラーニング
雨予想
API
取り込んで
処理
クラウド
データ蓄積
データ
可視化
IoT 管理
表示

17. 本日の構成
16
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure (& Power BI)
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー
気象庁の福井市
天候データ
学習
雨の予測
API
気温・湿度
・気圧取得
新たな天候データ
として蓄積
気温・湿度
・気圧・雨予測の
可視化

18. IoTデバイス
17
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー

19. Microsoft Azure IoT デバイス カタログ
18
Azure に対応した
IoT デバイスのカタログ

20. 今回使用する IoT デバイス
19
Raspberry Pi Arduino

21. ARMプロセッサを搭載した
シングルボード コンピューター
OS
Raspbian (Linux)
Windows 10 IoT
Windows 10
など
Raspberry Pi
20

22. 参考: Raspberry Pi への Windows 10 IoT のセットアップ
21

23. 参考: Raspberry Pi への Windows 10 IoT のセットアップ
22

24. 参考: Raspberry Pi への ＯＳ (Raspbian) のセットアップ
23

25. 参考: Raspberry Pi への ＯＳ (Raspbian) のセットアップ
24

26. 配線
Raspberry Pi に
センサーなどを接続
25

27. BME280
1チップ 温度・湿度・
気圧センサー
26

28. Raspberry Pi 2 & 3 Pin Mappings
27Raspberry Pi 2 & 3 Pin Mappings - Windows IoT | Microsoft Docs

29. 配線
28
220Ω抵抗器
ＬＥＤ
BME280
Raspberry Pi
VCC → +3V3（pin1）
GND → GND（pin9）
SCL → GPIO3/SCL1（pin5）
SDA → GPIO2/SDA1（pin3）
CSB → 不使用
SDO → GND
LED + → GPIO4 (pin7)
LED - → 220Ω抵抗器
220Ω抵抗器 → GND
1 3 5 7 9

30. 29

31. Raspberry Pi の I2C (シリアル通信の一種) の有効化
30
I2C で温度・湿度・気圧センサー BME280 と通信

32. Raspberry Pi の I2C (シリアル通信の一種) の有効化
31
①
②

33. Raspberry Pi の I2C (シリアル通信の一種) の有効化
32

34. Raspberry Pi の I2C (シリアル通信の一種) の有効化
33

35. pi@raspberrypi:~ $ sudo apt update
…… なんかかんや
pi@raspberrypi:~ $ sudo apt upgrade
…… なんかかんや
pi@raspberrypi:~ $ sudo apt-get install i2c-tools
…… なんかかんや
pi@raspberrypi:~ $ sudo apt-get install python-smbus
…… なんかかんや
Raspberry Pi へのライブラリーのインストール
34
I2C 用のツール
Python で I2C を使用するためのライブラリー

36. マイコン回路の “Hello World!
Lチカ (LEDチカチカ)
Lチカとは (エルチカとは) [単語記事] | ニコニコ大百科
いろいろなマイコンでのLチカ比較 | Qiita
「二人のはじめての共同作業」
35

37.  led.py
サンプル プログラム 「Ｌチカ」
$ sudo python /home/pi/azure-
iot-sdk-
python/device/samples/led.py
/home/pi/azure-iot-sdk-
python/device/samples/ へコピー
#coding: utf-8
import RPi.GPIO as GPIO
import time
gpio_number = 4
GPIO.setmode(GPIO.BCM)
GPIO.setup(gpio_number, GPIO.OUT)
for x in xrange(5):
GPIO.output(gpio_number, True)
time.sleep(2)
GPIO.output(gpio_number, False)
time.sleep(2)
GPIO.cleanup()
36

38. pi@raspberrypi:~ $ sudo i2cdetect -y 1
0 1 2 3 4 5 6 7 8 9 a b c d e f
00: -- -- -- -- -- -- -- -- -- -- -- -- --
10: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --
20: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --
30: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --
40: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --
50: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --
60: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --
70: -- -- -- -- -- -- 76 --
I2C のアドレスの確認
37

39. pi@raspberrypi:~ $ sudo i2cdump -y 1 0x76
No size specified (using byte-data access)
0 1 2 3 4 5 6 7 8 9 a b c d e f 0123456789abcdef
00: 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 ................
10: 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 ................
20: 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 ................
30: 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 ................
40: 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 ................
50: 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 ................
60: 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 ................
70: 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 ................
80: 91 71 89 45 0b 01 2c 06 92 6e b2 68 32 00 37 92 ?q?E??,??n?h2.7?
90: 6c d7 d0 0b 89 19 7a ff f9 ff 0c 30 20 d1 88 13 l?????z.?.?0 ???
a0: 00 4b 90 00 00 00 00 00 00 00 00 00 33 00 00 c0 .K?.........3..?
b0: 00 54 00 00 00 00 60 02 00 01 ff ff 1f 60 03 00 .T....`?.?..?`?.
c0: 00 00 00 ff 00 00 00 00 00 00 00 00 00 00 00 00 ................
d0: 60 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 `...............
e0: 00 5a 01 00 16 24 03 1e 8d 41 ff ff ff ff ff ff .Z?.?$???A......
f0: ff 00 00 00 00 00 00 80 00 00 80 00 00 80 00 80 .......?..?..?.?
I2C のアドレスからダンプ
38

40. azure-iot-sdk-python のダウンロードとビルド
39
$ free -m
$ sudo nano /etc/dphys-swapfile
CONF_SWAPSIZE=100
↓
CONF_SWAPSIZE=1024
$ sudo systemctl restart dphys-swapfile
$ swapon –s
$ git clone --recursive https://github.com/Azure/azure-iot-sdk-python.git
$ cd azure-iot-sdk-python/build_all/linux
$ ./setup.sh
$ ./build.sh
Python で Ａｚｕｒｅ ＩｏＴ ハブを利用するためのライブラリー

41. Raspberry Pi Azure IoT Web Simulator
Node.js
実機がない場合:
Raspberry Pi Azure IoT Web Simulator
40

42. Microsoft Azure と Power BI
41
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー

43. Windows Azure
42

44. Core Cloud Services - Azure 入門 - 学習 - Learn | Microsoft Docs
43

45. IoT ハブ | Azure
44
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー

46. IoT デバイスを簡単に接続、監視、認証、自動化で
きるオープン クラウド プラットフォーム
沢山の IoT デバイスを管理
IoT ハブ | Azure
45

47. ①
②
③
IoTハブの作成
46

48. ①
② 47
「IoT Hub 名」は
「iothub-xxxxx」などの
ユニークな名前に変える

49. ①
②
1サブスクリプションあたり 1つの IoT
ハブでのみ「F1: Free」が選べる
「F1: Free」は、性能が制限されている
または、S1 (有料)
48

50. 確認
49

51. 50

52. 51

53. ①
②
IoTデバイスの作成
52

54. ①
② 53

55. 「接続文字列 (主キー) 」を
メモ帳などに貼り付けて保存
①
②
54

56. IoT デバイス側からの
データ送信開始
55

57. Raspberry Pi の azure-iot-sdk-python の
サンプルの編集
56
$ cd ~/azure-iot-sdk-python/device/samples
$ sudo vi iothub_client_sample.py

58.  iothub_bme280.py (azure-iot-sdk-python が元) と
bme280_custom_2.py (SWITCHSCIENCE/BME280 | GitHub が元)
 /home/pi/azure-iot-sdk-python/device/samples/ へコピーして編集
 iothub_bme280.py の [Connection String] をメモ帳などに保存しておいた
IoT ハブの IoT デバイスの「接続文字列 (主キー)」に書き換え
サンプル プログラム
57
#!/usr/bin/env python
import time
import sys
import RPi.GPIO as GPIO
import iothub_client
from iothub_client import IoTHubClient, IoTHubClientError,
IoTHubTransportProvider, IoTHubClientResult
from iothub_client import IoTHubMessage,
IoTHubMessageDispositionResult, IoTHubError,
DeviceMethodReturnValue
from iothub_client import IoTHubClientRetryPolicy,
GetRetryPolicyReturnValue
from iothub_client_args import get_iothub_opt, OptionError
import bme280_custom_2
……
CONNECTION_STRING = "[ConnectionString]"
MSG_TXT = "{¥"deviceId¥":
¥"myIoTDeviceId¥",¥"pressure¥": %.2f,¥"temperature¥": %.2f,¥"h
umidity¥": %.2f,¥"score¥": %.2f,¥"type¥": ¥"weather¥"}"
gpio_number = 4
wait_time = 10
def initialize_gpio():
GPIO.setmode(GPIO.BCM)
GPIO.setup(gpio_number, GPIO.OUT)
ここを書き換え

59. 実行
サンプル プログラム
58
$ sudo python /home/pi/azure-iot-sdk-python/device/samples/iothub_bme280.py
LED が点滅

60. 実機がない場合: Raspberry Pi Azure IoT Web Simulator の
コード (JavaScript | Node.js) の編集
ここを書き換え
59

61.  IoT_Hub_Raspberry_Pi_NodeJS.js をコピー&ペースト
 [Connection String] をメモ帳などに保存しておいた IoT ハブの IoT デバイスの「接続文字列 (主キー)」に書き換え
サンプル プログラム
60
const wpi = require('wiring-pi');
const Client = require('azure-iot-device').Client;
const Message = require('azure-iot-device').Message;
const Protocol = require('azure-iot-device-
mqtt').Mqtt;
const BME280 = require('bme280-sensor');
const BME280_OPTION = {
i2cBusNo: 1, // defaults to 1
i2cAddress: BME280.BME280_DEFAULT_I2C_ADDRESS() //
defaults to 0x76
};
const connectionString = ‘[ConnectionString]‘;
var sendingMessage = false;
var messageId = 0;
var client, sensor;
var blinkLEDTimeout = null;
const LEDPin = 4;
ここを書き換え

62. 実機がない場合: Raspberry Pi Azure IoT Web Simulator の
コード (JavaScript | Node.js) の実行
61
LED が点滅

63. ①
IoT ハブにデータが
来ていることの確認
②
③
④
IoT ハブにデータが来ていることの確認
62

64. ①
グラフが立ち上がる
ことを確認
②
63

65. SQL データベース | Azure
64
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー
マシンラーニングの学習用データの準備
気象庁の福井市天候データ
60年分

66. ①
②
③
SQLデータベースと SQL サーバーの作成
65

67. ①
②
③
66

68. ①
②
67
「サーバー名」は
「sqlserverxxxx」などの
ユニークな名前に変える
チェックが
付いている
ことを確認

69. 68
①
②

70. ①
②
69

71. ①
②
70
後でこのデータベースに接続するための
接続文字列をコピーしてメモ帳などに保存

72. SQL Server Management Studio を起動し、サーバー名 (接続
文字列の「Server」) と「サーバー管理者ログイン」、「パスワード」で接続
SQL Server Management Studio から接続
71
①
②

73. SQL Server Management Studio から接続
72
Ｍｉｃｒｏｓｏｆｔ Azure にサインイン

74. サインインして OK
SQL Server Management Studio から接続
73

75.  福井の気象データを
データベースに取り込む
 fukuiweather1959-2018.csv
①
②
③
データベース「DatabaseFukuiWeather」を右クリック
74

76. 75
①
②
確認

77. 76
①
確認

78. 77
①
②
③

79. 78

80. 79

81. 80
取り込んだデータの確認
・ テーブルを右クリックして「最新の情報に更新」
・テーブル「dbo.fukuiweather1959-2018」
を右クリックして「上位1000行の選択」

82. マシンラーニング スタジオ | Azure
81
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー
福井市の天候を学習

83. マシンラーニング スタジオ
| Azure
 ブラウザーベースのマシンラーニン
グ (機械学習) の API 作成環境
 ドラッグ アンド ドロップで作成
 多くのマシンラーニングの
アルゴリズム
 Python や R のプログラムの
組み入れも可能
82

84. ①
②
③
マシーン ラーニング スタジオのワークスペースの作成
83

85. 84

86. 85

87. 86
①
②
③
⑤
④
「fukuiweatherxxxx」などの
ユニークな名前に変える

88. 「展開が成功」するまで待つ
①
②
87

89. マシーン ラーニング スタジオの起動
88

90. 89

91. ①
②
新規エクスペリメントの作成
90

92. ①
②
③
91
エクスペリメントは
地域ごとに管理

93. クリックして名前変更
92

94. 「Import Data」を
ドラッグして
①
②
「Import Data」をここへドロップ
学習用データのインポート
93

95. ¥¥129work3¥201902 AI ML 勉強会
#2 IoT編¥Source¥SQLQuery1.sql の
内容をコピー&ペースト
右クリックして「Run selected」
①
②
94
「Import Data」の
プロパティを設定

96. SELECT
[AverageTemperature_celsius] AS temperature
,[AverageHumidity_percentage] AS humidity
,[AverageLocalPressure_hPa] AS pressure
,CAST((CASE WHEN [TotalPrecipitationAmount_mm] > 0.0 THEN 1 ELSE 0
END) AS int) AS score
FROM [dbo].[fukuiweather1959-2018]
WHERE AverageTemperature_celsius IS NOT NULL AND AverageHumidity_percentage
IS NOT NULL AND AverageLocalPressure_hPa IS NOT NULL AND
TotalPrecipitationAmount_mm IS NOT NULL
ORDER BY Date
学習用データのインポート用クエリー
95
 SQLQuery1.sql

97. 緑のチェックが入るまで待つ
96

98. ①
②
緑のチェックがついたら
右クリックして
データの確認
97

99. 学習用データの確認
98

100. ①
②
③
「Ｓｐｌｉｔ Data」をここへドロップ
⑤
○ の間をドラッグして繋ぐ ④
99
データを学習用と評価用に分割

101. ①
学習アルゴリズムの選択
②
③
「Two-Class Support Vector Machine」
をここへドロップ
100

102. ①
②
③
「Train Model」をここへドロップ
⑥
出力カラムの選択
○ の間を
ドラッグして繋ぐ
○ の間を
ドラッグして繋ぐ
④ ⑤
101
学習

103. 102
①
②
出力カラムの選択

104. ①
②
③
「Score Model」をここへドロップ
○ の間を
ドラッグして繋ぐ
○ の間を
ドラッグして繋ぐ④
⑤
103
評価用データによる機械学習モデルのスコアリング

105. ①
②
③
「Evaluate Model」をここへドロップ
○ の間を
ドラッグして繋ぐ④
104
機械学習モデルのパフォーマンスの評価

106. ①
②
「Run」して全部の
要素に緑のチェックが
付くのを待つ
105
エクスペリメントの実行

107. ①
②
右クリックして
データの確認
106
学習結果の確認

108. 学習結果の確認
107

109. アルゴリズムを変更してみる
線を右クリック
して削除
108

110. ①
②
③
「Two-Class Neural Network」を
ここへドロップ
○ の間を
ドラッグして繋ぐ
④
⑤
「Run」して全部の要
素に緑のチェックが
付くのを待つ
109

111. ①
②
右クリックして
データの確認
学習結果の確認
110

112. 学習結果の確認
111

113. 112
アルゴリズムの選定に困ったら

114. マシンラーニング API | Azure
113
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー
雨の予測
API

115. マシンラーニング
API
学習済みモデルを使った
入出力処理を API として
デプロイ
 後で、ストリーム アナリティクスの
関数から呼ぶ
114

116. API の作成
115

117. 新しいタブが開く
116

118. 線を右クリック
して削除
②
④
「Select Columns in Dataset」を
ここへドロップ
③
①
117

119. ① ○ の間を
ドラッグして繋ぐ
②
○ の間を
ドラッグして繋ぐ
④
「Selected Columns in
Dataset」をクリックして選択
③
API が出力する
列を選択
118

120. ①
②
119

121. 120

122. 「Run」して全部の
要素に緑のチェックが
付くのを待つ
121

123. 全部の要素に緑のチェックが付いたら API を発行
(CLASSIC の方が選べる場合はそちら)
122
API のデプロイ

124. 123
API のテスト

125. 124
適当な値を入力
①
②

126. テスト結果 (JSON)
125
テスト結果の JSON 形式のデータを確認

127. 「API Key」をコピーして
メモ帳などに保存
①
②
126

128. Request URI をコピー
してメモ帳などに保存
127

129. SQL データベース | Azure
128
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー IoT ハブからのデータの格納先
後でストリーム アナリティクスから出力

130. SQL Server
Management
Studio
IoT からのデータを
格納するテーブルを
作成
129
①
②
データベース
「DatabaseFukuiWeather」
を右クリック

131. 130
SQLQuery2.sql
の中身をコピー&ペースト
①
②

132. CREATE TABLE [dbo].[Weather](
[Id] [int] IDENTITY(1,1) NOT NULL,
[deviceId] [varchar](50) NULL,
[pressure] [float] NULL,
[temperature] [float] NULL,
[humidity] [float] NULL,
[EventProcessedUtcTime] [char](30) NULL,
[EventEnqueuedUtcTime] [char](30) NULL,
[score] [float] NULL,
CONSTRAINT [PK_Weather] PRIMARY KEY CLUSTERED ( [Id] )
)
IoT データ格納用テーブルの作成 SQL
131
 SQLQuery2.sql

133. 作成されたテーブルの確認
132
①
②

134. 133
テーブルのデザインを確認

135. ストリーム アナリティクス | Azure
134
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー

136. デバイスからのデータをリアルタイムに処理
ストリーム アナリティクス | Azure
135

137. ①
②
③
ストリーム アナリティクスの作成
136

138. ①
②
137

139. ②
「展開が成功」するまで待つ
①
138

140. 入力の追加
②
①
③
139
入力として IoT ハブを選択

141. ②
①
140
プロパティの設定

142. 141
データの確認

143. 142
②
①
3分以内にクリックし、3分待つ

144. 143
このメッセージに変わるまで待つ
青い文字の部分をクリック

145. ダウンロードした JSON 形式の
データをメモ帳などで確認
144

146. 出力先に SQL データベースを指定
②
①
③
145

147. ②
①
146
プロパティの設定

148. [オプション] 出力先に Power BI を指定
②
①
③
147

149. ②
①
③
③
④
ご自身のアカウントでサインイン
148
プロパティの設定
[オプション] 出力先に Power BI を指定

150. 承認されていることを確認
149
[オプション] 出力先に Power BI を指定

151. マシーンラーニング API を呼ぶ関数を作成
②
①
③
150

152. 151
①
マシーンラーニング ＡＰＩ 作成時に
メモ帳などに保存しておいた
「API Key」をペースト
マシーンラーニング ＡＰＩ 作成時に
メモ帳などに保存しておいた
「Request URI」 をペースト
②

153. ②
①
③
SQLQuery3.sql を
コピー&ペースト
(Power BI にも出力する場合は
SQLQuery4.sql)
152
Power BI にも
出力する場合

154. SELECT deviceId,pressure,temperature,humidity,EventProcessedUtcTime,EventEnqueuedUtcTime
,getscore(temperature,humidity,pressure,0.0) as score
INTO [db-output]
FROM [iothub-input]
WHERE type='weather'
ストリーム アナリティクスのクエリー (Power BI には出力しない場合)
153
 SQLQuery3.sql

155. --
-- SELECT deviceId,pressure,temperature,humidity,CAST(EventProcessedUtcTime as datetime)
as EventProcessedUtcTime,CAST(EventEnqueuedUtcTime as datetime) as EventEnqueuedUtcTime
-- ,getscore(temperature,humidity,pressure,0.0) as score
-- INTO [powerbi-output]
-- FROM [iothub-input]
-- WHERE type='weather'
SELECT deviceId,pressure,temperature,humidity,EventProcessedUtcTime,EventEnqueuedUtcTime
,getscore(temperature,humidity,pressure,0.0) as score
INTO [db-output]
FROM [iothub-input]
WHERE type='weather'
[オプション] ストリーム アナリティクスのクエリー (Power BI にも出力する場合)
154
 SQLQuery4.sql

156. ジョブ ダイアグラムの確認
155

157. 確認
156

158. 157
ストリーム アナリティクス ジョブの開始
①
②
③

159. ジョブの実行状況の確認
①
②
③
④
158

160. しばらく待つとグラフが
立ち上がってくることを確認
159

161. SQL Server Management Studio でデータベースにデータが来ていることを確認
データが来ていることの確認
・ テーブル「dbo.Weather」
を右クリックして「上位1000行の選択」
データの確認
160
雨予測

162. Power BI
161
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー
気温・湿度
・気圧・雨予測の
可視化

163. [オプション]
Power BI
様々なデータ ソースに
接続して視覚化・共有
162

164. Power BI にサインイン
163

165. ①
マイ ワークスペースを開く
③
②
164

166. ①
③
②
ダッシュボードの作成
165

167. ①
②
166

168. ②
③
①
タイルの追加
167

169. ②
①
168
ストリーム アナリティクスで
指定したデータセットを選択

170. ②
①
③ 169

171. タイルを確認
170

172. ②
③
①
タイルの追加
タイルを確認
171

173. その他のタイルも適当に追加
172
リアルタイム
雨予測

174. 「Web ビュー」から
「Phone ビュー」に
切り替え
Phone ビュー
Phone ビュー
173

175. 174
スマートフォンに Power BI
アプリをインストール
サインインしてダッシュボード
「Weather」を確認
①
②
リアルタイム
雨予測

176. 後片付け
 Azure の各種リソースを
そのままにすると課金され続ける
 課金を抑えるにはリソースを停止
 課金を完全に止めるにはリソース
を削除
175

177. 個別に止めたい場合
デバイスを停止
Azure のリソースを
それぞれ停止/削除
176
この写真 の作成者 不明な作成者 は CC BY-SA のライセンスを許諾されています

178. Raspberry Pi の Python
177
Ｃｔｒｌ＋Ｃで停止

179. Raspberry Pi Azure IoT Web Simulator
178

180. ストリーム アナリティクス
179

181. マシーン ラーニング スタジオ
①
②
180

182. Power BI
181

183. 一括で削除する場合
リソース グループ
を削除
182
この写真 の作成者 不明な作成者 は CC BY-SA のライセンスを許諾されています

184. ①
②
注意:
このリソース グループに
含まれている全リソースの削除
Power BI の方は消えない
183

185. Azure の料金
の確認
184
この写真 の作成者 不明な作成者 は CC BY のライセンスを許諾されています

186. Pricing Calculator | Microsoft Azure
185
使用料の概算

187. Microsoft Azure のポータル
を開く (必要に応じてサインイン)
クレジットの残りを確認して、
青い文字のとことをクリック
186
現在の使用状況の確認

188. リソースごとのコストを確認
支出の割合と予測を確認
187

189. 1. 本日の環境
2. 本日の構成
3. IoT デバイス - Raspberry Pi
4. Microsoft Azure
5. IoT ハブ | Azure
6. SQL データベース | Azure
7. マシンラーニング スタジオ |
Azure
本日ご紹介した内容
188
8. ストリーム アナリティクス | Azure
9. [オプション] Power BI
10. 後片付け

190. 本日の構成
189
IoT デバイス
マシンラーニング
スタジオ
マシンラーニング API
ストリーム アナリティクスIoT ハブ
Microsoft Azure (& Power BI)
SQL データベース
SQL データベース
Power BI
CSV データ
MQTT
HTTP
Web ブラウザー
気象庁の福井市
天候データ
学習
雨の予測
API
気温・湿度
・気圧取得
新たな天候データ
として蓄積
気温・湿度
・気圧・雨予測の
可視化