Infonuagique et virtualisation
AzureML- Introduction à l’apprentissage automatique
Préalables
Posséder de connaissances de base en statistiques. Posséder des connaissances ou une expérience de base dans l’utilisation de tableurs Excel. Posséder une formation en science des données n’est pas requise.
Objectif
Cette formation, à la fois théorique et pratique permettra de comprendre les concepts importants et de les mettre en application à l’aide de cas pratiques. Le participant acquerra des connaissances de base en sciences de données et apprentissage automatique. Il construira un modèle et saura interpréter des variables. Il déploiera son modèle sous la forme de Webservice dans le cloud.
Contenu
Analyse de données et machine learning
- Analyse de données
- Cycle de vie de projet en science de données
- Objectif recherché du Machine Learning
- Expérimentation ML
- Métriques de performance
Démarrage dans Azure ML Studio
- Création de compte Azure et AzureML Studio
- Téléversement de jeux de données
- Lecture de sources de données externes
- Exemples de jeux de données
- Visualisation d’ensemble de données
- Structure de module Azure ML
Préparation de données
- Visualisation dans AzureML
- Transformation de données
- Modules couramment utilisés
- Fonctions Statistiques
- « Feature Engineering »
Préparation de modèle pour déploiement
- Évaluation d’un modèle AzureML
- Création et configuration d’un service Web
- Consommation d’un service Web
Régression linéaire
- Régression linéaire simple
- Régression linéaire multiples
- Construire un modèle de régression linéaire
- Publication du modèle dans AzureML
Régression logistique
- Régression logistique
- Construction d’un modèle de régression logistique
- Publication du modèle dans Azure ML
Support Vector Machine
- Introduction au SVM
- Exemples de modèles en SVM
K-means clustering
- Algorithme k-means
- Exemples de k-means dans AzureML
R et Python – AzureML Studio
- Connexion à AzureML avec RStudio
- Interpréteur R, Langage Python et AzureML Studio
- Création de modules spécialisées R et Python
Exercices (labs)
- Détection de fraude par carte de crédit
- Prédiction des survivants du Titanic
- Prédiction du prix d’automobiles
- Systèmes de recommandation
- Détection de la présence de maladie
- Prédiction de la pollution de l’air en ozone
- Exemples de cas K-Means, Random Forest, ACP