参考 Fun with ML, Stream Analytics and PowerBI，内有详细说明。
这个 demo 是我们 IMML 部门(Information Management and Machine Learning)做的，主要组件是：
1. Azure Machine Learning 平台以及其 gallery 中的 face api。Microsoft Azure Machine Learning Gallery
2. 实时统计用的是 Azure Event Hub 和 Azure Stream Analytics，后者可以在前者的事件流上使用类 SQL 的语句来执行一个 Near Realtime 的统计，比如每 10 秒内的访问次数和结果分布。
其实本 demo 主要目的是展现 ASA 以及 PowerBI 的实时统计展现能力，其中 ASA 刚刚 GA(general availability)，Machine Learning 和 face detection api 是之前就已经有的东西了，没想到大家都关注人脸识别去了。
程序员们，你们只需要 1 天时间就可以建立类似的网站。利用微软发布的 face detection api，只要几下 rest api 调用就可以得到结果了。这里有很详细的 how to 来教你如何调用这些 api：Microsoft Project Oxford How-to detect faces from an image。而且，识别年龄和性别只是一个小功能，这套 api 还包括识别两张照片是不是同一个人，以及识别出某个具体的人等高级功能。
Age estimation via face.
1. Face detect，检测图片中人脸的位置，cascade adaboost 是最常用的方法。
2. Face alignment，图像对准，确定一些关键的点的位置，比如眉毛，眼睛，鼻子，嘴角等，确定这些点之后可以确定人脸区域，倾斜的也可以。
3. Feature extract，有了 face region 之后，开始提取 feature，形状 shape，纹理 texture，几何 geometry 信息是最关键的 feature 了。
4. Train，有了大量 feature 数据以及对应的年龄数据，建立一个 model 开始训练。SVM， linear regression 等等。
5. Age estimation，新来一张图片，获取 feature，根据 4 获取的训练参数，估计年龄。
目前看到一些 paper 给出的 MAE(Mean absolute error)可以到 4-5 岁，但都是基于实验室数据，微软的也试了一下，variance 有点大。
微软本来是为了宣传云计算，估计年龄应该只是一个噱头。
