jss2015 - machine learning like a boss
TRANSCRIPT
#JSS2015
Les journéesSQL Server 2015
Un événement organisé par GUSS
@GUSS_FRANCE
#JSS2015
Les journéesSQL Server 2015
Un événement organisé par GUSS
Le Machine Learning like a Boss
Laurent Couartou - AZEOFabien Adato – AZEO
#JSS2015
Merci à nos sponsors
#JSS2015
DéfinitionCas d’usageLes principes
Comprendre le Machine Learning
#JSS2015
Définition
Le Machine Learning est une science qui permet de créer
automatiquement des systèmes à partir de données d’exemples.
#JSS2015
Cas d’usage• Catégorisation / Détection :
– Détection de visage https://www.how-old.net/
• Prédire une valeur (régression) : – Prédire une température, un chiffre d’affaire
• Grouper par similitude / réduire la dimensionnalité d’un jeu de données (clustering) : – Créer des profils de clients
#JSS2015
Qu’est ce que le Machine LearningModélisation
classique :
f(x) = y
Données d’exemples (x,y)
Machine Learning :
𝑇𝑒𝑚𝑝 é 𝑟𝑎𝑡𝑢𝑟𝑒=𝐻𝑎𝑢𝑡𝑒𝑢𝑟 ∗0,5+10
#JSS2015
Principe – Processus
page 8
Sélection du type de
modèleEntraineme
nt Test Evaluation Utilisation du modèle
80%
20%
Découpage des données
Entrainement Test
#JSS2015
Azure Machine Learning
#JSS2015
Solution Cloud-Only qui fait parti de la suite Cortana Analitycs
#JSS2015
Fonctionnalités de AzureML
#JSS2015
Fonctionnalités de AzureML•Le Studio : Interface web d’expérimentation drag-and-drop (sans ligne de code)
#JSS2015
Fonctionnalités de AzureML
page 13
Bibliothèque d’algorithme
+ composants de transformation de données
#JSS2015
Fonctionnalités de AzureMLCustomisation via le langage R, Python
et SQL
#JSS2015
Fonctionnalités de AzureML
Sauvegarder ses modèles entrainés et les utiliser sous forme de service web
#JSS2015
Démo 1 : Utilisation d’un modèle de classification entraîné
#JSS2015
Choix de l’algorithmeIl faut choisir son algorithme en fonction du type d’apprentissage et
du type de données en sortie.
Type d’apprentissage :1. Etude non supervisée : on ne connais pas à l’avance ce que
l’on recherche.2. Etude supervisée : on sait déjà ce que l’on attend en sortie.
Type de données :3. Variable continue : un nombre infini de valeurs possibles.4. Variable discrète : un nombre défini de valeurs possibles.
#JSS2015
Choix de l’algorithme• Données Discrètes à regrouper• Exemple : créer des groupes de clients
•Données Discrètes •Exemple : une lettre, un booléen…
•Données Continues•Exemple : une température, un CA…
A, B , C ?
Clusterisation Classification Régression
#JSS2015
Apprentissage supervisé
Régression : on cherche un courbe qui colle aux données.
Catégorisation : on cherche à déterminer une frontière entre deux catégories
Mes données se prêtent-elles à l’utilisation d’un algorithme linéaire?
#JSS2015
http://blogs.technet.com/b/machinelearning/archive/2015/09/22/how-to-find-an-algorithm-that-fits.aspx
#JSS2015
Démo 2 : Entraînement d’un modèle
#JSS2015
Tarification
page 22
https://azure.microsoft.com/en-us/pricing/details/machine-learning/
#JSS2015#JSS2015
Les évaluations des sessions,c’est important !!
http://GUSS.Pro/jss
#JSS2015
Merci à nos volontaires…
#JSS2015#JSS2015