Découvrez le machine Learning à l'aide des outils Microsoft AzureML, Excel et PowerBI. Pas de bla bla, cette sessions sera pragmatique et pratique, au travers d'un cas concret.

1. #JSS2015
Les journées
SQL Server 2015
Un événement organisé par GUSS
@GUSS_FRANCE

2. #JSS2015
Les journées
SQL Server 2015
Un événement organisé par GUSS
Le Machine Learning like a
Boss
Laurent Couartou - AZEO
Fabien Adato – AZEO

3. #JSS2015
Merci à nos sponsors

4. #JSS2015
Définition
Cas d’usage
Les principes
Comprendre le Machine Learning

5. #JSS2015
Définition
Le Machine Learning est une science qui
permet de créer automatiquement des
systèmes à partir de données d’exemples.

6. #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

7. #JSS2015
Qu’est ce que le Machine Learning
Modélisation
classique :
f(x) = y
Données d’exemples (x,y)
Machine Learning :
𝑇𝑒𝑚𝑝é𝑟𝑎𝑡𝑢𝑟𝑒 = 𝐻𝑎𝑢𝑡𝑒𝑢𝑟 ∗ 0,5 + 10

8. #JSS2015
Principe – Processus
page 8
Sélection du
type de
modèle
Entrainement Test Evaluation
Utilisation du
modèle
80%
20%
Découpage des données
Entrainement Test

9. #JSS2015
Azure Machine Learning

10. #JSS2015
Solution Cloud-Only qui fait parti de la suite Cortana Analitycs

11. #JSS2015
Fonctionnalités de AzureML

12. #JSS2015
Fonctionnalités de AzureML
•Le Studio : Interface web d’expérimentation drag-and-drop (sans ligne
de code)

13. #JSS2015
Fonctionnalités de AzureML
page
Bibliothèque d’algorithme
+ composants de
transformation de données

14. #JSS2015
Fonctionnalités de AzureML
Customisation via le langage R, Python et SQL

15. #JSS2015
Fonctionnalités de AzureML
Sauvegarder ses modèles entrainés et les utiliser
sous forme de service web

16. #JSS2015
Démo 1 : Utilisation d’un modèle de
classification entraîné

17. #JSS2015
Choix de l’algorithme
Il 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 :
1. Variable continue : un nombre infini de valeurs possibles.
2. Variable discrète : un nombre défini de valeurs possibles.

18. #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

19. #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?

20. #JSS2015
http://blogs.technet.com/b/machinelearning/archive/2015/09/22/how-to-find-an-algorithm-that-fits.aspx

21. #JSS2015
Démo 2 : Entraînement d’un modèle

22. #JSS2015
Tarification
page
https://azure.microsoft.com/en-us/pricing/details/machine-learning/

23. #JSS2015#JSS2015
Les évaluations des sessions,
c’est important !!
http://GUSS.Pro/jss

24. #JSS2015
Merci à nos volontaires…

25. #JSS2015#JSS2015