SlideShare une entreprise Scribd logo

Créer une IA capable de reconnaître des fleurs (ou autres)

Olivier Eeckhoutte
Olivier Eeckhoutte
Olivier EeckhoutteFreelance Architecte Solutions à Lean Deep

Conférence donnée par Olivier Eeckhoutte (Lean Deep) sur le sujet du Deep Learning pour Nutigo. Nutigo est une nouvelle association qui traite des sujets d'innovation.

Créer une IA capable de reconnaître des fleurs (ou autres)

1  sur  38
© 2017, Lean Deep. Diffusion interdite sans accord.
Olivier Eeckhoutte
22 Juin 2017
Créer une IA capable de
reconnaître des fleurs
#DeepLearning	#AWS	#DataPipeline	#Cloud	#REX	
#op9misa9onDesCouts	#IA	#MachineLearning	#TensorFlow
About me
Olivier Eeckhoutte
•  Cloud	AWS	expert	
•  Web	&	Mobile	❤	(JavaScript	/	NodeJS	/	Angular	/	Ionic…)		
•  Deep	Learning	geek	(Tensorflow	/	Scikit	/	Python)	
•  Co-organisateur:	Meetup	Big	Data	et	Machine	Learning	Lille	
•  Salarié	chez	SwissLife	
•  Entrepreneuriat	en	//	:	
•  Lean	Deep:	D’abord	Consul9ng	&	forma9on	(1	an)	
•  Puis	depuis	Mi-avril:	Développement	d’un	produit	dans	la	domo9que	
•  Des	nuits	courtes	J	
Linkedin:	hYps://www.linkedin.com/in/oliviereeckhouYe/	
Let’s	keep	in	touch	!	
@oliviereeckhout
Démo: reconnaissance des fleurs
Agenda
•  Démo
•  Introduction
•  Machine Learning
•  Deep Learning
•  REX technologies utilisées
•  Mes 2 pipelines
•  Containers
•  TensorFlow
•  Cloud AWS
•  Ressources pour apprendre
Introduction au Machine Learning
Définition
“ Faculté donnée à un ordinateur d’apprendre un comportement à partir
d’exemples ”
	
	
“	L’appren9ssage	automa9sé	désigne	l’ensemble	des	techniques	permeYant,	par	
voie	algorithmique,	avec	ou	sans	assistance,	de	prendre	une	décision	jugée	
adéquate	sur	la	base	d’informa9ons	non	structurées	a	priori	et	inconnues	du	
système	auquel	elles	sont	présentées.	”	
	
	
“L’ensemble	des	techniques	permeYant	à	une	machine	d’apprendre	à	réaliser	une	
tâche	sans	avoir	à	la	programmer	explicitement	pour	cela.”	Arthur	Samuel,	1950
Comment faites-vous pour apprendre à
un enfant à reconnaître une voiture ?
Publicité

Recommandé

AI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigAI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigFelipe Sanchez Garzon
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learningQuentin Ambard
 
Rapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleRapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleYanis Marchand
 
Cours java avance débutant facile l'essentiel swing ,events
Cours java avance débutant facile l'essentiel swing ,events Cours java avance débutant facile l'essentiel swing ,events
Cours java avance débutant facile l'essentiel swing ,events Houssem Hamrouni
 
Projet réalisé par ameny Khedhira & Arij Mekki
Projet réalisé par  ameny Khedhira & Arij MekkiProjet réalisé par  ameny Khedhira & Arij Mekki
Projet réalisé par ameny Khedhira & Arij MekkiAmeny Khedhira
 

Contenu connexe

Tendances

Examen Principal - Fondement Multimedia Janvier 2015
Examen Principal - Fondement Multimedia Janvier 2015Examen Principal - Fondement Multimedia Janvier 2015
Examen Principal - Fondement Multimedia Janvier 2015Ines Ouaz
 
Aql métriques logicielles
Aql métriques logiciellesAql métriques logicielles
Aql métriques logiciellesmarwa baich
 
Data mining - Classification - arbres de décision
Data mining - Classification - arbres de décisionData mining - Classification - arbres de décision
Data mining - Classification - arbres de décisionMohamed Heny SELMI
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'imagesAbdelouahed Abdou
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning Niji
 
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMRéseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMJaouad Dabounou
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceLilia Sfaxi
 
Présentation pfe - Etude, conception et réalisation d'une application web de ...
Présentation pfe - Etude, conception et réalisation d'une application web de ...Présentation pfe - Etude, conception et réalisation d'une application web de ...
Présentation pfe - Etude, conception et réalisation d'une application web de ...Ayoub Mkharbach
 
Rapport projet: relisation d'une app desktop
Rapport projet: relisation d'une app desktop Rapport projet: relisation d'une app desktop
Rapport projet: relisation d'une app desktop amat samiâ boualil
 
Chapitre 4 récursivité
Chapitre 4 récursivitéChapitre 4 récursivité
Chapitre 4 récursivitéSana Aroussi
 
classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...Amal Targhi
 
Building Random Forest at Scale
Building Random Forest at ScaleBuilding Random Forest at Scale
Building Random Forest at ScaleSri Ambati
 
Mise en place d’une solution de tests de sécurité pour les passerelles réside...
Mise en place d’une solution de tests de sécurité pour les passerelles réside...Mise en place d’une solution de tests de sécurité pour les passerelles réside...
Mise en place d’une solution de tests de sécurité pour les passerelles réside...Salmen HITANA
 
Rapport interface terminal
Rapport interface terminalRapport interface terminal
Rapport interface terminalBelwafi Bilel
 
Projet de fin étude ( LFIG : Conception et Développement d'une application W...
Projet de fin étude  ( LFIG : Conception et Développement d'une application W...Projet de fin étude  ( LFIG : Conception et Développement d'une application W...
Projet de fin étude ( LFIG : Conception et Développement d'une application W...Ramzi Noumairi
 
PFE BI - INPT
PFE BI - INPTPFE BI - INPT
PFE BI - INPTriyadadva
 
Les algorithmes évolutionnistes
Les algorithmes évolutionnistesLes algorithmes évolutionnistes
Les algorithmes évolutionnistesStéphane Legrand
 
optimisation cours.pdf
optimisation cours.pdfoptimisation cours.pdf
optimisation cours.pdfMouloudi1
 

Tendances (20)

Agent intelligent
Agent intelligentAgent intelligent
Agent intelligent
 
Examen Principal - Fondement Multimedia Janvier 2015
Examen Principal - Fondement Multimedia Janvier 2015Examen Principal - Fondement Multimedia Janvier 2015
Examen Principal - Fondement Multimedia Janvier 2015
 
Aql métriques logicielles
Aql métriques logiciellesAql métriques logicielles
Aql métriques logicielles
 
Chap1 dsp
Chap1 dspChap1 dsp
Chap1 dsp
 
Data mining - Classification - arbres de décision
Data mining - Classification - arbres de décisionData mining - Classification - arbres de décision
Data mining - Classification - arbres de décision
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'images
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning
 
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMRéseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTM
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-Reduce
 
Présentation pfe - Etude, conception et réalisation d'une application web de ...
Présentation pfe - Etude, conception et réalisation d'une application web de ...Présentation pfe - Etude, conception et réalisation d'une application web de ...
Présentation pfe - Etude, conception et réalisation d'une application web de ...
 
Rapport projet: relisation d'une app desktop
Rapport projet: relisation d'une app desktop Rapport projet: relisation d'une app desktop
Rapport projet: relisation d'une app desktop
 
Chapitre 4 récursivité
Chapitre 4 récursivitéChapitre 4 récursivité
Chapitre 4 récursivité
 
classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...
 
Building Random Forest at Scale
Building Random Forest at ScaleBuilding Random Forest at Scale
Building Random Forest at Scale
 
Mise en place d’une solution de tests de sécurité pour les passerelles réside...
Mise en place d’une solution de tests de sécurité pour les passerelles réside...Mise en place d’une solution de tests de sécurité pour les passerelles réside...
Mise en place d’une solution de tests de sécurité pour les passerelles réside...
 
Rapport interface terminal
Rapport interface terminalRapport interface terminal
Rapport interface terminal
 
Projet de fin étude ( LFIG : Conception et Développement d'une application W...
Projet de fin étude  ( LFIG : Conception et Développement d'une application W...Projet de fin étude  ( LFIG : Conception et Développement d'une application W...
Projet de fin étude ( LFIG : Conception et Développement d'une application W...
 
PFE BI - INPT
PFE BI - INPTPFE BI - INPT
PFE BI - INPT
 
Les algorithmes évolutionnistes
Les algorithmes évolutionnistesLes algorithmes évolutionnistes
Les algorithmes évolutionnistes
 
optimisation cours.pdf
optimisation cours.pdfoptimisation cours.pdf
optimisation cours.pdf
 

Similaire à Créer une IA capable de reconnaître des fleurs (ou autres)

Sébastien Coutu: Copy this Meetup Devops - microservices - infrastructure imm...
Sébastien Coutu: Copy this Meetup Devops - microservices - infrastructure imm...Sébastien Coutu: Copy this Meetup Devops - microservices - infrastructure imm...
Sébastien Coutu: Copy this Meetup Devops - microservices - infrastructure imm...MSDEVMTL
 
Microservices-DDD-Telosys-Devoxx-FR-2022
Microservices-DDD-Telosys-Devoxx-FR-2022Microservices-DDD-Telosys-Devoxx-FR-2022
Microservices-DDD-Telosys-Devoxx-FR-2022Laurent Guérin
 
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir Arezki
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir ArezkiGab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir Arezki
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir ArezkiAZUG FR
 
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir Arezki
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir ArezkiGab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir Arezki
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir ArezkiSamir Arezki ☁
 
What’s Next Replay! Lyon 2011 - G. Darmont
What’s Next Replay! Lyon 2011 - G. DarmontWhat’s Next Replay! Lyon 2011 - G. Darmont
What’s Next Replay! Lyon 2011 - G. DarmontZenika
 
01 - [ASP.NET Core] Plénière
01 - [ASP.NET Core] Plénière 01 - [ASP.NET Core] Plénière
01 - [ASP.NET Core] Plénière Cellenza
 
Les clouds, du buzz à la vraie science
Les clouds, du buzz à la vraie scienceLes clouds, du buzz à la vraie science
Les clouds, du buzz à la vraie scienceFrederic Desprez
 
Lost in serverless AWS Lambda, Google Cloud Function, Azure Function quelle s...
Lost in serverless AWS Lambda, Google Cloud Function, Azure Function quelle s...Lost in serverless AWS Lambda, Google Cloud Function, Azure Function quelle s...
Lost in serverless AWS Lambda, Google Cloud Function, Azure Function quelle s...sebastienmoreno
 
Retour d'expérience BIG COMPUTE & HPC sur Windows Azure, par ANEO et SUPELEC
Retour d'expérience BIG COMPUTE & HPC sur Windows Azure, par ANEO et SUPELECRetour d'expérience BIG COMPUTE & HPC sur Windows Azure, par ANEO et SUPELEC
Retour d'expérience BIG COMPUTE & HPC sur Windows Azure, par ANEO et SUPELECMicrosoft Technet France
 
Pourquoi rails est génial? (version longue)
Pourquoi rails est génial? (version longue)Pourquoi rails est génial? (version longue)
Pourquoi rails est génial? (version longue)Camille Roux
 
Tech daysRetour d’expérience Big Compute & HPC sur Windows Azure [TechDays 2014]
Tech daysRetour d’expérience Big Compute & HPC sur Windows Azure [TechDays 2014]Tech daysRetour d’expérience Big Compute & HPC sur Windows Azure [TechDays 2014]
Tech daysRetour d’expérience Big Compute & HPC sur Windows Azure [TechDays 2014]ANEO
 
Les nouveautés d'Unity 2018
Les nouveautés d'Unity 2018Les nouveautés d'Unity 2018
Les nouveautés d'Unity 2018Yannick Comte
 
Quoi de neuf à Devoxx France 2017 ?
Quoi de neuf à Devoxx France 2017 ?Quoi de neuf à Devoxx France 2017 ?
Quoi de neuf à Devoxx France 2017 ?Antoine Rey
 
.NET Microframework: du code, de l’électronique, de la robotique
.NET Microframework: du code, de l’électronique, de la robotique.NET Microframework: du code, de l’électronique, de la robotique
.NET Microframework: du code, de l’électronique, de la robotiqueMicrosoft
 
XebiCon'16 : Choisissez votre style avec Docker & Amazon Web Services Par Al...
XebiCon'16 : Choisissez votre style avec Docker & Amazon Web Services  Par Al...XebiCon'16 : Choisissez votre style avec Docker & Amazon Web Services  Par Al...
XebiCon'16 : Choisissez votre style avec Docker & Amazon Web Services Par Al...Publicis Sapient Engineering
 
Oxalide MorningTech #1 - BigData
Oxalide MorningTech #1 - BigDataOxalide MorningTech #1 - BigData
Oxalide MorningTech #1 - BigDataLudovic Piot
 
Cours Devops Sparks.pptx.pdf
Cours Devops Sparks.pptx.pdfCours Devops Sparks.pptx.pdf
Cours Devops Sparks.pptx.pdfboulonvert
 
Codedarmor 2012 - 03/04 - Android, What else?
Codedarmor 2012 - 03/04 - Android, What else?Codedarmor 2012 - 03/04 - Android, What else?
Codedarmor 2012 - 03/04 - Android, What else?codedarmor
 

Similaire à Créer une IA capable de reconnaître des fleurs (ou autres) (20)

Sébastien Coutu: Copy this Meetup Devops - microservices - infrastructure imm...
Sébastien Coutu: Copy this Meetup Devops - microservices - infrastructure imm...Sébastien Coutu: Copy this Meetup Devops - microservices - infrastructure imm...
Sébastien Coutu: Copy this Meetup Devops - microservices - infrastructure imm...
 
Microservices-DDD-Telosys-Devoxx-FR-2022
Microservices-DDD-Telosys-Devoxx-FR-2022Microservices-DDD-Telosys-Devoxx-FR-2022
Microservices-DDD-Telosys-Devoxx-FR-2022
 
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir Arezki
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir ArezkiGab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir Arezki
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir Arezki
 
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir Arezki
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir ArezkiGab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir Arezki
Gab 2017 Lyon - les strategies d'intégration avec Azure iPaaS - Samir Arezki
 
What’s Next Replay! Lyon 2011 - G. Darmont
What’s Next Replay! Lyon 2011 - G. DarmontWhat’s Next Replay! Lyon 2011 - G. Darmont
What’s Next Replay! Lyon 2011 - G. Darmont
 
01 - [ASP.NET Core] Plénière
01 - [ASP.NET Core] Plénière 01 - [ASP.NET Core] Plénière
01 - [ASP.NET Core] Plénière
 
Les clouds, du buzz à la vraie science
Les clouds, du buzz à la vraie scienceLes clouds, du buzz à la vraie science
Les clouds, du buzz à la vraie science
 
Lost in serverless AWS Lambda, Google Cloud Function, Azure Function quelle s...
Lost in serverless AWS Lambda, Google Cloud Function, Azure Function quelle s...Lost in serverless AWS Lambda, Google Cloud Function, Azure Function quelle s...
Lost in serverless AWS Lambda, Google Cloud Function, Azure Function quelle s...
 
Retour d'expérience BIG COMPUTE & HPC sur Windows Azure, par ANEO et SUPELEC
Retour d'expérience BIG COMPUTE & HPC sur Windows Azure, par ANEO et SUPELECRetour d'expérience BIG COMPUTE & HPC sur Windows Azure, par ANEO et SUPELEC
Retour d'expérience BIG COMPUTE & HPC sur Windows Azure, par ANEO et SUPELEC
 
Pourquoi rails est génial? (version longue)
Pourquoi rails est génial? (version longue)Pourquoi rails est génial? (version longue)
Pourquoi rails est génial? (version longue)
 
_JCVFr
_JCVFr_JCVFr
_JCVFr
 
Tech daysRetour d’expérience Big Compute & HPC sur Windows Azure [TechDays 2014]
Tech daysRetour d’expérience Big Compute & HPC sur Windows Azure [TechDays 2014]Tech daysRetour d’expérience Big Compute & HPC sur Windows Azure [TechDays 2014]
Tech daysRetour d’expérience Big Compute & HPC sur Windows Azure [TechDays 2014]
 
Les nouveautés d'Unity 2018
Les nouveautés d'Unity 2018Les nouveautés d'Unity 2018
Les nouveautés d'Unity 2018
 
Quoi de neuf à Devoxx France 2017 ?
Quoi de neuf à Devoxx France 2017 ?Quoi de neuf à Devoxx France 2017 ?
Quoi de neuf à Devoxx France 2017 ?
 
.NET Microframework: du code, de l’électronique, de la robotique
.NET Microframework: du code, de l’électronique, de la robotique.NET Microframework: du code, de l’électronique, de la robotique
.NET Microframework: du code, de l’électronique, de la robotique
 
XebiCon'16 : Choisissez votre style avec Docker & Amazon Web Services Par Al...
XebiCon'16 : Choisissez votre style avec Docker & Amazon Web Services  Par Al...XebiCon'16 : Choisissez votre style avec Docker & Amazon Web Services  Par Al...
XebiCon'16 : Choisissez votre style avec Docker & Amazon Web Services Par Al...
 
Oxalide MorningTech #1 - BigData
Oxalide MorningTech #1 - BigDataOxalide MorningTech #1 - BigData
Oxalide MorningTech #1 - BigData
 
L'univers Android
L'univers AndroidL'univers Android
L'univers Android
 
Cours Devops Sparks.pptx.pdf
Cours Devops Sparks.pptx.pdfCours Devops Sparks.pptx.pdf
Cours Devops Sparks.pptx.pdf
 
Codedarmor 2012 - 03/04 - Android, What else?
Codedarmor 2012 - 03/04 - Android, What else?Codedarmor 2012 - 03/04 - Android, What else?
Codedarmor 2012 - 03/04 - Android, What else?
 

Plus de Olivier Eeckhoutte

Olivier meetup-boston-2013-jan-21-v2
Olivier meetup-boston-2013-jan-21-v2Olivier meetup-boston-2013-jan-21-v2
Olivier meetup-boston-2013-jan-21-v2Olivier Eeckhoutte
 
self driving car nvidia whitepaper
self driving car nvidia whitepaperself driving car nvidia whitepaper
self driving car nvidia whitepaperOlivier Eeckhoutte
 
Midi technique - présentation d'ionic
Midi technique - présentation d'ionicMidi technique - présentation d'ionic
Midi technique - présentation d'ionicOlivier Eeckhoutte
 
Midi technique - présentation docker
Midi technique - présentation dockerMidi technique - présentation docker
Midi technique - présentation dockerOlivier Eeckhoutte
 
Scrum and XP from the trenches french
Scrum and XP from the trenches frenchScrum and XP from the trenches french
Scrum and XP from the trenches frenchOlivier Eeckhoutte
 

Plus de Olivier Eeckhoutte (7)

Meetup Devops April 2023
Meetup Devops April 2023Meetup Devops April 2023
Meetup Devops April 2023
 
Olivier meetup-boston-2013-jan-21-v2
Olivier meetup-boston-2013-jan-21-v2Olivier meetup-boston-2013-jan-21-v2
Olivier meetup-boston-2013-jan-21-v2
 
self driving car nvidia whitepaper
self driving car nvidia whitepaperself driving car nvidia whitepaper
self driving car nvidia whitepaper
 
Midi technique - présentation d'ionic
Midi technique - présentation d'ionicMidi technique - présentation d'ionic
Midi technique - présentation d'ionic
 
Midi technique - présentation docker
Midi technique - présentation dockerMidi technique - présentation docker
Midi technique - présentation docker
 
Scrum and XP from the trenches french
Scrum and XP from the trenches frenchScrum and XP from the trenches french
Scrum and XP from the trenches french
 
Wa html5-pdf
Wa html5-pdfWa html5-pdf
Wa html5-pdf
 

Créer une IA capable de reconnaître des fleurs (ou autres)

  • 1. © 2017, Lean Deep. Diffusion interdite sans accord. Olivier Eeckhoutte 22 Juin 2017 Créer une IA capable de reconnaître des fleurs #DeepLearning #AWS #DataPipeline #Cloud #REX #op9misa9onDesCouts #IA #MachineLearning #TensorFlow
  • 2. About me Olivier Eeckhoutte •  Cloud AWS expert •  Web & Mobile ❤ (JavaScript / NodeJS / Angular / Ionic…) •  Deep Learning geek (Tensorflow / Scikit / Python) •  Co-organisateur: Meetup Big Data et Machine Learning Lille •  Salarié chez SwissLife •  Entrepreneuriat en // : •  Lean Deep: D’abord Consul9ng & forma9on (1 an) •  Puis depuis Mi-avril: Développement d’un produit dans la domo9que •  Des nuits courtes J Linkedin: hYps://www.linkedin.com/in/oliviereeckhouYe/ Let’s keep in touch ! @oliviereeckhout
  • 4. Agenda •  Démo •  Introduction •  Machine Learning •  Deep Learning •  REX technologies utilisées •  Mes 2 pipelines •  Containers •  TensorFlow •  Cloud AWS •  Ressources pour apprendre
  • 5. Introduction au Machine Learning Définition “ Faculté donnée à un ordinateur d’apprendre un comportement à partir d’exemples ” “ L’appren9ssage automa9sé désigne l’ensemble des techniques permeYant, par voie algorithmique, avec ou sans assistance, de prendre une décision jugée adéquate sur la base d’informa9ons non structurées a priori et inconnues du système auquel elles sont présentées. ” “L’ensemble des techniques permeYant à une machine d’apprendre à réaliser une tâche sans avoir à la programmer explicitement pour cela.” Arthur Samuel, 1950
  • 6. Comment faites-vous pour apprendre à un enfant à reconnaître une voiture ?
  • 7. Introduction au Machine Learning Comment cela fonctionne ? (1/3) – un peu de vocabulaire En 2 étapes ! 1.  On entraine un Modèle en u9lisant des données labellisées •  Le “Modèle de Machine Learning” apprend les rela9ons entre les a7ributs/ features des données (inputs) et les résultats (outputs) Colonne output Colonnes inputs Nombre portes Nombre fenêtres Couleur Longueur (m) Véhicule 4 6 Blanc 1,5 Voiture 20 100 Bleu 230 TGV 2 4 Bleu 5 Camion 2 6 Rouge 1 Voiture 4 8 Blanc 1,75 Voiture
  • 8. Introduction au Machine Learning Comment cela fonctionne ? (2/3) 1ère étape: Phase d’appenFssage 1.  On entraine un Modèle en u9lisant des données labellisées Training Data Pre-processing •  Dummisa9on •  Image processing •  Normalisa9on •  Réduc9on dimension… Learning •  Supervisé •  Non supervisé •  … Error Analysis •  Précision/ Recall •  Over-fipng •  Test/ Cross valida9on •  … Model ObjecFf: construire un modèle qui généralise: à Être capable de prédire le futur alors qu’on l’a entraîné sur des données passées
  • 9. Introduction au Machine Learning Comment cela fonctionne ? (3/3) 2ème étape: PrédicFon Ensuite, on peut faire des prédic9ons sur les nouvelles données dont on ne connaît pas le label/ target New Data Model Predicted Data PredicFon
  • 10. Introduction au Machine Learning 2 catégories principales (1/2) ApprenFssage Supervisé à Les exemples sont des couples (entrée, sor9e associée) à Données é9quetées disponibles •  Exemple: Combien coûte ceYe maison ? •  Autre exemple: est-ce que cet email est un spam ? INPUTS OUTPUT
  • 11. Introduction au Machine Learning 2 catégories principales (2/2) ApprenFssage non supervisé à On ne dispose que des valeurs (entrée) à Pas de données é9quetées •  Exemple: Segmenter les clients d’un magasin en clusters qui ont des comportements similaires •  Il n’y a pas de bonne réponse (ou de réponse absolue)
  • 12. Introduction au Machine Learning Apprentissage supervisé – 2 type de problèmes (1/2) ClassificaFon Le résultat est une valeur parmi N sans ordre quelconque et dans un ensemble prédéfini Exemple: Ce film est-il un film d’horreur, un film d’ac9ons ou un film roman9que ?
  • 13. Introduction au Machine Learning Apprentissage supervisé – 2 type de problèmes (2/2) Régression Le résultat est une valeur dans un ensemble de valeurs con9nues Exemple: Quel est le prix prévisionnel de cet appartement dans les 6 prochains mois ?
  • 14. Introduction au Machine Learning Conclusion: Apprentissages supervisé & non supervisé
  • 15. Introduction au Machine Learning Beaucoup Enormément d’algorithmes disponibles En fonc9on du problème, des données (linéaires ou non, de leur type, de la volumétrie…) à Type de d’appren9ssage ≠ Quelle précision recherche-t-on ? Combien de temps souhaite-t-on aYendre ? Veut-on comprendre les résultats ? (Accepter l’effet boite noire ?) à Algorithmes ≠ à u9liser Beaucoup de ressources pour bien choisir son algorithme d’appren9ssage. Ex: hYps://docs.microsoy.com/en-us/azure/machine-learning/machine-learning- algorithm-choice
  • 16. Introduction au Machine Learning Enormément d’algorithmes disponibles Il n’y a pas de solu9on miracle ! è Il faut tester ! (…grid search)
  • 17. •  Utilise des réseaux de neurones pour résoudre des problèmes complexes comme: - Reconnaissance d’images - Analyse de sentiments - Chatbot... •  Inspiré du fonctionnement du cerveau •  Ordinateur virtuel composé de milliers d'unités (les neurones) qui chacune effectue de petits calculs très simples. •  Plus le réseau est entraîné avec des données et plus les prédictions seront précisent Introduction au Deep Learning Un cerveau au cœur des machines OutputInput
  • 18. Le système découvre lui-même les attributs et construit le modèle d’entrainement Avènement grâce: •  La puissance des GPUs très adaptés à ce type de calcul •  Au Big Data è Besoin: •  Besoin de (nombreuses) machine(s) puissante(s) et coûteuse(s) Introduction au Deep Learning Différence avec le Machine Learning
  • 19. Exemple MNIST (reconnaissance de caractères): Images de 28x28 pixels à Subdiviser le problème: prendre des sous parties de l’image pour simplifier (i.e:, des groupements de pixels de 5×5, 4×4…) à Opérer une fonction afin d’extraire des motifs (feature detection) dans cette sous-partie (i.e: d’opération de convolution) à Ces fonctions permettent de faire ressortir certaines caractéristiques des images: Introduction au Deep Learning Convolutional Neural Networks (1/3) illustra5ons: h7p://stanford.edu
  • 20. On opère ≠ transformations sur ≠ parties retravaillées (grâce aux filtres) de l’image d’entrée On combine le résultats des transformations (opération de pooling) et on recommence le process. à Succession de couches, et extrac9on de l’informa9ons dans chacune d’entre elle. Introduction au Deep Learning Convolutional Neural Networks (2/3) Exemple simplifié: 1. La première se focalise sur des pe9tes por9ons de l’image (5×5 par exemple). 2. La seconde récupère le résultat de toutes les por9ons précédentes et essaye de repérer de nouveaux indicateurs. 3. La troisième va encore plus loin, en suivant le même principe, permeYant d’iden9fier assez précisément les contours du visage. (Illustra5on: David J. Klein) à Génération d’une cartographie des pixels importants dans l’image.
  • 21. Introduction au Deep Learning Convolutional Neural Networks (3/3) — Synthèse EXTRACTION DE CARACTERISTIQUES CLASSIFICATION MLP
  • 22. Quelles technologies utiliser pour créer une IA similaire ?
  • 23. •  Avantages Framework de Deep Learning Avantages 22
  • 24. •  Développé par et utilisé en interne chez Google •  Très large communauté (cf. graph précédent) •  Open Source depuis novembre 2015 •  API Python/ Scala/ Java au-dessus d’un moteur en C/ C++ •  Support pour multiple GPUs •  Tensorboard: outil de visualisation de l’apprentissage •  Exemple illustratif (non testé) à https://gist.github.com/naturegirl/0bc6b4a14ee5269e4b4b4091c170bb92 Framework de Deep Learning Avantages
  • 25. Le Cloud avec Docker Besoin de 2 pipelines — AWS ❤ Training Data Pre-processing Learning Error Analysis Model New Data Model Predicted Data PredicFon
  • 26. Le Cloud avec Docker AWS ❤ Pourquoi 2 pipelines ? •  1 pipeline on-demand pour l’apprentissage •  1 pipeline de prédiction avec API Python/ NodeJS Pourquoi AWS ? •  Flexibilité •  Nombre considérable de fonctionnalités •  Customisation •  Intégration avec un grand nombre de services tierces •  Puissance
  • 27. 1ère Pipeline avec coûts optimisés! pour entraîner son IA chez AWS - ECS - ECR - Cloud Formation - S3 - Spot Fleet
  • 28. Comment ECS utilise ECR ? (encapsulation) Amazon ECR Subnet Amazon ECS Spot Instance
  • 29. Architecture AWS Globale 1ère Pipeline Amazon S3 AWS CLI Public subnet – AZ #1 Public subnet – AZ #2 Spot Instance Spot Instance Spot Fleet Amazon ECR AWS Management Console RunTask Amazon ECS SSH 2 : Mode automa9que : Mode exploratoire 1 1 2
  • 30. 2ème Pipeline pour la prédiction - ECS - ECR - CloudFormation - S3 Aller plus loin… industrialisaFon et conFnuous delivery
  • 31. Architecture AWS Globale 2ème Pipeline 30 Amazon S3 Output du Pipeline 1 à Input du Pipeline 2
  • 32. - Systèmes de recommandation (Netflix) - Véhicules autonomes - Reconnaissance de visages - Segmentation clients - Diagnostiques médicaux - Détection de fraudes - Speech Recognition - Analyse de Sentiments - Détection de plagiat - Classification de documents - Reconnaissance de textes manuscrits PerspecFve
  • 33. Machine Learning - Meetup: Big Data et Machine Learning Lille (Free) - Stanford à http://cs231n.stanford.edu/syllabus.html (Free) - Mooc d’Andrew Ng à Coursera (Prof. Stanford) (Free) - Udacity Nanodegree program - Udacity Moocs (Free) - Intro à la statistique avec R – MOOC (Free) - https://blogs.msdn.microsoft.com/mlfrance AWS https://aws.amazon.com/blogs Apprendre
  • 35. Les avantages d’ECS Un service totalement managé Manager des clusters Orchestration simplifiée et flexible Intégré auxautresservices AWSet extensible Securisé Performance at scale
  • 36. Optimiser sa facture Spot et Spot Fleet. les règles sont simples… Marché où le prix des instances varie en fonction de l’offre et de la demande Vous ne payez jamais plus que ce que vous avez enchéri. Quand le marché dépasse votre offre, vous avez 2 minutes avant que la machine soit coupée è Entre 50 à 70% d’économie sur les machines On Spot Fleet Lancer plusieurs Instances Spot
  • 37. Cloud Formation pour designer son infra. Avantages Infrastructure as code à  Versionner ses stacks (fichiers JSON ou YAML) Simplicité d’utilisation à Drag and drop Templates d’Approvisionnement des ressources à “Build Once” des stacks
  • 38. Cloud Formation pour designer son infra.