Démystification du Machine Learning

959 vues

Publié le

Autour d'exemples simples, découvrons ensemble les concepts sous-jacents et les possibilités offertes par le Machine Learning. Si sans complexe vous voulez savoir ce qui se cache derrière ce « buzz word », cette session est pour vous! Vous vous demandez ce qu'il y a exactement derrière des termes tels que: apprentissage supervisé, classification, régression, clustering, série temporelle… Venez, aucun pré-requis n'est nécessaire!

Publié dans : Technologie
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
959
Sur SlideShare
0
Issues des intégrations
0
Intégrations
196
Actions
Partages
0
Téléchargements
66
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Démystification du Machine Learning

  1. 1. tech.days 2015#mstechdaysDémystification du machine learning AMBIENT INTELLIGENCEAMBIENT INTELLIGENCE tech days• 2015 #mstechdays techdays.microsoft.fr
  2. 2. tech.days 2015#mstechdaysDémystification du machine learning #mstechdays techdays.microsoft.fr
  3. 3. tech.days 2015#mstechdaysDémystification du machine learning
  4. 4. tech.days 2015#mstechdaysDémystification du machine learning Qu’est-ce que c’est ?
  5. 5. tech.days 2015#mstechdaysDémystification du machine learning Les principaux scénarios fonctionnels qui peuvent être adressés avec du Machine Learning Analyse de désabonnements (churn) Monitoring d’équipements Spam filtering Ciblage publicitaire Recommandations Détection de fraudes Détection d’images et classification Prévisions Détection d’anomalies
  6. 6. tech.days 2015#mstechdaysDémystification du machine learning ThyssenKrupp Elevator fournit et maintient plus de 1,1 million d’ascenseurs dans le monde et a pour objectif de toujours offrir un meilleur service et d’optimiser les coûts de maintenance. En combinant une approche Internet of Things, pour remonter les informations provenant des capteurs des ascenseurs, et le Machine Learning, ils sont capables de détecter les comportements qui vont conduire à une panne et intervenir en conséquence (maintenance prédictive et proactive), avant que les pannes ne surviennent. L’étape suivante est de pouvoir optimiser l’approvisionnement en pièces détachées et le chargement des camions de dépannage avant même que les ascenseurs ne tombent en panne.
  7. 7. tech.days 2015#mstechdaysDémystification du machine learning La Poste américaine a traité 150 milliards de courriers en 2013: bien trop pour un tri manuel. Mais en 1997, seulement 10% des courriers avec une adresse manuscrite pouvaient être traités automatiquement. Le challenge consistait à permettre aux ordinateurs d’interpréter les variations infinies de l’écriture manuscrite. En réalisant un apprentissage continu, la Poste a pu « entrainer » ses ordinateurs à lire efficacement l’écriture manuscrite. Aujourd’hui, avec l’aide du machine learning, le tri de plus de 98% des courriers est réalisé automatiquement.
  8. 8. tech.days 2015#mstechdaysDémystification du machine learning ? ?
  9. 9. tech.days 2015#mstechdaysDémystification du machine learning
  10. 10. tech.days 2015#mstechdaysDémystification du machine learning
  11. 11. tech.days 2015#mstechdaysDémystification du machine learning Machine Learning
  12. 12. tech.days 2015#mstechdaysDémystification du machine learning Comment le mettre en œuvre ?
  13. 13. tech.days 2015#mstechdaysDémystification du machine learning
  14. 14. tech.days 2015#mstechdaysDémystification du machine learning
  15. 15. tech.days 2015#mstechdaysDémystification du machine learning ?
  16. 16. tech.days 2015#mstechdaysDémystification du machine learning
  17. 17. tech.days 2015#mstechdaysDémystification du machine learning
  18. 18. tech.days 2015#mstechdaysDémystification du machine learning
  19. 19. tech.days 2015#mstechdaysDémystification du machine learning
  20. 20. tech.days 2015#mstechdaysDémystification du machine learning
  21. 21. tech.days 2015#mstechdaysDémystification du machine learning
  22. 22. tech.days 2015#mstechdaysDémystification du machine learning
  23. 23. tech.days 2015#mstechdaysDémystification du machine learning
  24. 24. tech.days 2015#mstechdaysDémystification du machine learning
  25. 25. tech.days 2015#mstechdaysDémystification du machine learning 0 1000 2000 3000 4000 5000 6000 0 100,000 200,000 300,000 400,000 500,000 600,000 700,000 800,000 900,000 1,000,000 1,100,000 1,200,000 1,300,000 1,400,000 1,500,000 1,600,000 1,700,000 1,800,000 1,900,000 2,000,000 2,100,000
  26. 26. tech.days 2015#mstechdaysDémystification du machine learning Prix Surface # Chamb. # SdB # Cheminée # Garage # Etage 125,999 950 1 1 0 0 1 207,190 1125 1 1 0 1 1 227,555 1400 2 1.5 1 2 1 319,010 1750 2 1.5 0 2 2 345,846 1525 3 2 1 2 1 350,000 1690 3 1.5 1 2 1.5 437,301 2120 3 2.5 2 3 2 450,999 2500 3 2.5 1 2 1.5 605,000 3010 4 2.5 2 3 2 641,370 3250 3 3 1 3 2 824,280 3600 3 3 2 3 2 1,092,640 3700 5 4.5 2 3 2 1,187,550 4500 6 6 4 5 2
  27. 27. tech.days 2015#mstechdaysDémystification du machine learning
  28. 28. tech.days 2015#mstechdaysDémystification du machine learning Reconnaissance de caractères
  29. 29. tech.days 2015#mstechdaysDémystification du machine learning Classification Régression Clustering
  30. 30. tech.days 2015#mstechdaysDémystification du machine learning Argus
  31. 31. Besoins métierDonnées Données brutes •Extraction des champs pertinents Filtrage •Nettoyage, enrichissement •Extraction de variables Sélection d’attributs •Réduction de dimension •Correction de valeurs Interprétation •Analyse métier •Utilisation opérationnelle Modifier la conception du modèle Sweep des paramètres Visualisation •Visualisation des résultats de prédiction Introduire des connecteurs vers des Outils de restitution BI Définition de la problématique Pré traitements des données Construction du modèle Evaluation et optimisation de la précision du modèle Déploiement du modèle en Web Service Réglage de la pertinence Préparation de données Data mining Déploiement Création de clusters Sequence mining Machine Learning Apprentissage Tests de robustesse, de calibrage, validation croisée
  32. 32. Perspectives
  33. 33. Ambiant Intelligence for a better Customer Experience “Consistent, Personalized, and Self-learning” Customer Business Operations Orders / CRM Inventory / IOT Finance Services External sources Rating Social / Weather Demographics Partners Integrated Enterprise Data Single View of the Customer Machine Learning Scores Segmentation High-Value Services Sales Campaign Churn Prices Interaction Management Channels Web Stores Support Devices Lounges Partners Learning
  34. 34. Ambiant Intelligence for a better Customer Experience “Consistent, Personalized, and Self-learning” Customer Business Operations Orders / CRM Inventory / IOT Finance Services External sources Rating Social / Weather Demographics Partners Integrated Enterprise Data Single View of the Customer Machine Learning Scores Segmentation High-Value Services Sales Campaign Churn Prices Interaction Management Channels Web Stores Support Devices Lounge Partners Learning Advanced and Innovative Dashboards from any device
  35. 35. tech.days 2015#mstechdaysDémystification du machine learning
  36. 36. tech.days 2015#mstechdaysDémystification du machine learning tech.days 2015#mstechdays http://notes.mstechdays.fr
  37. 37. tech.days 2015#mstechdaysDémystification du machine learning © 2015 Microsoft Corporation. All rights reserved. tech days• 2015 #mstechdays techdays.microsoft.fr

×