Ce diaporama a bien été signalé.
Le téléchargement de votre SlideShare est en cours. ×

Diginova - Session sur le machine learning avec ML.NET

Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Chargement dans…3
×

Consultez-les par la suite

1 sur 21 Publicité

Diginova - Session sur le machine learning avec ML.NET

Télécharger pour lire hors ligne

Présentation de la bibliothèque open source ML.NET qui vous permettra de pouvoir intégrer du machine learning dans vos applications .NET. Nous avons également fait un point sur l'utilisation des autres framework/services ML de Microsoft pour savoir quoi utiliser dans quel contexte. Une session partagée avec Christopher MANEU (Microsoft France R&D) qui présentait les Cognitives Services pour sa part et pour laquelle je le remercie chaleureusement.

Présentation de la bibliothèque open source ML.NET qui vous permettra de pouvoir intégrer du machine learning dans vos applications .NET. Nous avons également fait un point sur l'utilisation des autres framework/services ML de Microsoft pour savoir quoi utiliser dans quel contexte. Une session partagée avec Christopher MANEU (Microsoft France R&D) qui présentait les Cognitives Services pour sa part et pour laquelle je le remercie chaleureusement.

Publicité
Publicité

Plus De Contenu Connexe

Diaporamas pour vous (20)

Similaire à Diginova - Session sur le machine learning avec ML.NET (20)

Publicité

Plus par Julien Chable (14)

Plus récents (20)

Publicité

Diginova - Session sur le machine learning avec ML.NET

  1. 1. # ML.NET : introduction au Machine Learning pour les développeurs .NET Julien Chable – NCIT/OPEN NC julien.chable@ncit.nc
  2. 2. Julien CHABLE – Associé NC IT MVP Office Apps & Services Consultant SharePoint / O365 Architecture et Développeur .NET Email : julien.chable@ncit.nc Twitter : @JChable Titre de présentation
  3. 3. Pourquoi le Machine Learning ? Utiliser pour les tâches qui sont trop complexes à coder par des hommes Titre de présentation
  4. 4. Quels sont les problèmes que vous pouvez résoudre avec le ML ? # Classification/catégorisation binaire • Analyse de Sentiment (disponible aussi dans Azure Cognitive Services) • Détection de Spam • Détection de fraude à la carte bancaire • Prédiction de maladie (cœur, foie, …) # Classification multiple • Classification d’anomalies • Classification d’images (ex : iris des fleurs) • MNIST Titre de présentation
  5. 5. Quels sont les problèmes que vous pouvez résoudre avec le ML ? #Recommandations • Recommandation de produits • Recommandations de films • Recommandations de plats #Régression / Prédiction • Prédiction de prix à venir • Prévision de ventes de soda selon T° • Prédiction de la demande Titre de présentation
  6. 6. Quels sont les problèmes que vous pouvez résoudre avec le ML ? #Détection d’anomalies • Détection des pics de consommation / vente • Détection des pics • Détection de fraude à la CB #Apprentissage selon résultat • Voiture à conduite autonome Titre de présentation
  7. 7. Avez-vous les données ? # La ML nécessite des données, BEAUCOUP de données et les BONNES ! # Pertinence • Pour connaître la probabilité d’avoir un cancer du foie votre jeu de données est le budget consacré aux activités sportives d’une personne • Vous devez aussi connaître la consommation d’alcool et de tabac, si les personnes possèdent une hépatite B/C, si les personnes consomment des anabolisants (sportifs), le poids/taille de la personne (facteur obésité), le nombre d’heure et la nature des activités # Quantité • Le plus de données vous avez, le mieux ce sera • Oui mais combien ➔ le plus ! • Mais encore ? ➔ définir à partir de la taille de vos données, d’une heuristique statistique, analogie ou de domaine d’expertise Titre de présentation
  8. 8. Avez-vous les données ? # Précision de la données • Une données faiblement précise donnera des résultats imprécis voire aberrants/incorrects • Le manque de précision de la données peut rendre votre problème encore plus problématique # De bonnes prédictions nécessitent : • Des données de qualité et nettoyé/calibré • Beaucoup de données • Transformation de données • Bien définir les Features (propriétés mesurables du phénomène mesuré) Titre de présentation
  9. 9. Titre de présentation Poser des questions qui ont des réponses Appliquer la bonne méthode pour trouver les bonnes réponses
  10. 10. # Machine Learning .NET : ML .NET Titre de présentation
  11. 11. ML.NET c’est quoi ? # C’est un framework de Machine Learning pour les développeurs .NET : • Open Source (licence MIT) : https://github.com/dotnet/machinelearning • Pour .NET Core et .NET Fx 4.6.1+ • Multi plateforme (Linux, Mac & Windows) # Permet de développer/d’entrainer ses propres modèles et d’intégrer du ML dans vos applications .NET # Rend accessible le ML aux développeurs .NET sans expertise sur le fonctionnement sous-jacent des modèles ML # Originalement développer par Microsoft Research pour Windows, Bing, Azure, Office, etc Titre de présentation
  12. 12. ML.NET c’est quoi ? # Scénario Online et Offline # Support d’extensions (Tensorflow, CNTK, Accord, …) # Support ONNX (Open Neural Network Exchange format) # Permet de réalisation des prédications : • Classification/Catégorisation • Régression/Prédiction de valeurs • Détection d’anomalie • Recommandations # Glossaire : https://docs.microsoft.com/fr- fr/dotnet/machine-learning/resources/glossary Titre de présentation
  13. 13. ML.NET c’est quoi ? Titre de présentation
  14. 14. Fonctionnement 1. Charger et transformer les données 2. Choisir l’algorithme d’apprentissage 3. Entrainer le modèle 4. Evaluer le modèle Titre de présentation
  15. 15. Fonctionnement - Exemple 1. Charger et transformer les données 1. Pipeline / Workflow 2. TextLoader (CSV) 3. ColumnCopier, CategoricalOneHotVectorizer, 2. Choisir l’algorithme d’apprentissage 1. FastTreeRegressor (Gradient boosting) – Prix d’un taxi 2. FastTreeBinaryClassifier (conversion en probabilité / étalonnage) – Analyse de sentiment 3. Evaluer le modèle Titre de présentation
  16. 16. Catalogues des algorithmes d’apprentissage et résolution Titre de présentation
  17. 17. Exemple #ML.NET possède un repo Github contenant un ensemble d’exemple prêt à l’emploi à tester : https://github.com/dotnet/machinelear ning-samples #Bonne connexion requise : le repo fait presque 1 Go (n’oubliez pas le --depth 1 sur votre git clone) Titre de présentation
  18. 18. Usages ML.NET vs Azure Cognitive Services # Embarquer du ML directement dans vos applications .NET # Scénario Offline • ML spécifique • Support container Azure Cognitive Services # Scénario Hybride # Quand les services préconfigurés Azure Cognitive Services ne résout pas vos problèmes # Attention : vous devenez votre propre fournisseur de données et responsable des performances et de la pertinence de votre traitement ➔ Bienvenue dans le monde du ML Titre de présentation
  19. 19. Quelques liens # ML.NET Github repo : https://github.com/dotnet/machinelearning # ML.NET samples Github repo : https://github.com/dotnet/machinelearning -samples # Tensorflow : https://www.tensorflow.org # Accord .NET : http://accord-framework.net # ONNX : https://onnx.ai/ Titre de présentation
  20. 20. Merci !!! ☺ Des questions ? Contactez moi : julien.chable@ncit.nc Titre de présentation

×