Pr´dire l’inconnu ` l’aide de  e               a      donn´es connues            e. . . sans se pr´occuper de la dimension...
Pr´diction   e Paradigme1. d´finition de l’entr´e et la sortie du syst`me    e                 e                      e2. c...
Pr´diction      e    Exemple1. Exemple d’association entre entr´e et sortie :                                   e       cl...
Pr´diction      e    Exemple1. Exemple d’association entre entr´e et sortie :                                   e       cl...
Probl`me     eEffectuer des pr´dictions est complexe               e  donn´es      e  acquisition des donn´es              ...
Probl`me     eEffectuer des pr´dictions est complexe               e  donn´es      e     pr´paration              e  acquis...
Probl`me     eEffectuer des pr´dictions est complexe               e  donn´es      e     pr´paration algorithmes           ...
Probl`me     eEffectuer des pr´dictions est complexe               e  donn´es      e     pr´paration algorithmes param´trag...
Probl`me     eEffectuer des pr´dictions est complexe               e  donn´es      e     pr´paration algorithmes param´trag...
SolutionPr´dire simplement  e  donn´es      e     pr´paration algorithmes param´trages              e                     ...
SolutionPr´dire simplement  e  donn´es      e     pr´paration algorithmes param´trages              e                     ...
SolutionPr´dire simplement  e  donn´es      e     pr´paration algorithmes              e logiciel en ligne (Cloud Computin...
SolutionPr´dire simplement  e  donn´es      e     pr´paration              e logiciel en ligne (Cloud Computing) mod`le op...
SolutionPr´dire simplement  e  donn´es      e logiciel en ligne (Cloud Computing) mod`le optimal      e     PredictiveDB d...
SolutionPr´dire simplement  e  donn´es      e PredictiveDB : les donn´es comme unique                        e param`tre. ...
SolutionBase de donn´es pr´dictive            e     e  pr´diction des valeurs manquantes (NULL)    e  consultation de vues...
TechnologieTh´orie de l’apprentissage statistique de V. Vapnik  eSous la condition fondamentale que les donn´es           ...
TechnologieArchitecture  Tier 1           Tier 2          Tier 3 User          Web Interface   PredictiveDB               ...
D´monstration ePause d´mo !       e 9 / 10
PredictiveDB : le premier SGBDpr´dictif en ligne  e devenez alpha-testeur : www.predictivedb.fr blog : blog.predictivedb.c...
Prochain SlideShare
Chargement dans…5
×

Prédire l'inconnu à partir de vos données connues (sans avoir à connaitre la dimension de Vapnik-Chervonenkis)

1 777 vues

Publié le

PredictiveDB à "la Cantine", le 06 décembre 2010

La classification automatique de données ou la prédiction de données sont des tâches coûteuses en matière d'expertise (apprentissage automatique, statistiques, etc.). Lors de cette rencontre, l'équipe de PredictiveDB vous initiera à la prédiction "presse-bouton" -- ou l'art et la manière de classer/prédire en se concentrant exclusivement sur ses données et en oubliant la théorie autour.

PredictiveDB est un SGBDR prédictif, accessible en ligne, permettant à des utilisateurs de bases de données de classer et prédire leurs données depuis leur environnement SQL, sans préparation de données ni connaissance en data mining.

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

Aucun téléchargement
Vues
Nombre de vues
1 777
Sur SlideShare
0
Issues des intégrations
0
Intégrations
933
Actions
Partages
0
Téléchargements
0
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Prédire l'inconnu à partir de vos données connues (sans avoir à connaitre la dimension de Vapnik-Chervonenkis)

  1. 1. Pr´dire l’inconnu ` l’aide de e a donn´es connues e. . . sans se pr´occuper de la dimension de e Vapnik–Chervonenkis La Cantine, le 6 d´cembre 2010 e
  2. 2. Pr´diction e Paradigme1. d´finition de l’entr´e et la sortie du syst`me e e e2. constitution d’une base de donn´es d´crivant e e des exemples d’entr´e/sortie e3. construction d’un mod`le associant les sorties e aux entr´es e4. pr´diction : application du mod`le sur une e e nouvelle entr´e e 2 / 10
  3. 3. Pr´diction e Exemple1. Exemple d’association entre entr´e et sortie : e client id ... night charge int min int calls int charge cs calls churn 0 ... 11.01 10 3 2.7 1 False 1 ... 11.45 13.7 3 3.7 1o= False 2 ... 8.86 6.6 7 1.78 2 p= False 3 ... 9.4 12.7 6 3.43 4 True 4 ... 8.41 10.1 3 2.73 3 False2. Application sur une nouvelle donn´e : e client id ... night charge int min int calls int charge cs callsf 5 ... 7.32 12.2 5 3.29 0 3 / 10
  4. 4. Pr´diction e Exemple1. Exemple d’association entre entr´e et sortie : e client id ... night charge int min int calls int charge cs calls churn 0 ... 11.01 10 3 2.7 1 False 1 ... 11.45 13.7 3 3.7 1o= False 2 ... 8.86 6.6 7 1.78 2 p= False 3 ... 9.4 12.7 6 3.43 4 True 4 ... 8.41 10.1 3 2.73 3 False2. Application sur une nouvelle donn´e : e client id ... night charge int min int calls int charge cs calls churnf = 5 ... 7.32 12.2 5 3.29 0 False 3 / 10
  5. 5. Probl`me eEffectuer des pr´dictions est complexe e donn´es e acquisition des donn´es e pr´paration, extraction des donn´es (datamart) e e choix des algorithmes (r´seaux de neurones) e choix des param`tres e gestion parc informatique 4 / 10
  6. 6. Probl`me eEffectuer des pr´dictions est complexe e donn´es e pr´paration e acquisition des donn´es e pr´paration, extraction des donn´es (datamart) e e choix des algorithmes (r´seaux de neurones) e choix des param`tres e gestion parc informatique 4 / 10
  7. 7. Probl`me eEffectuer des pr´dictions est complexe e donn´es e pr´paration algorithmes e acquisition des donn´es e pr´paration, extraction des donn´es (datamart) e e choix des algorithmes (r´seaux de neurones) e choix des param`tres e gestion parc informatique 4 / 10
  8. 8. Probl`me eEffectuer des pr´dictions est complexe e donn´es e pr´paration algorithmes param´trages e e acquisition des donn´es e pr´paration, extraction des donn´es (datamart) e e choix des algorithmes (r´seaux de neurones) e choix des param`tres e gestion parc informatique 4 / 10
  9. 9. Probl`me eEffectuer des pr´dictions est complexe e donn´es e pr´paration algorithmes param´trages e e cluster acquisition des donn´es e pr´paration, extraction des donn´es (datamart) e e choix des algorithmes (r´seaux de neurones) e choix des param`tres e gestion parc informatique 4 / 10
  10. 10. SolutionPr´dire simplement e donn´es e pr´paration algorithmes param´trages e e cluster logiciel en ligne (Cloud Computing) mod`le optimal e PredictiveDB d´termine les param`tres e e PredictiveDB choisit l’algorithme natif SQL 5 / 10
  11. 11. SolutionPr´dire simplement e donn´es e pr´paration algorithmes param´trages e e logiciel en ligne (Cloud Computing) mod`le optimal e PredictiveDB d´termine les param`tres e e PredictiveDB choisit l’algorithme natif SQL 5 / 10
  12. 12. SolutionPr´dire simplement e donn´es e pr´paration algorithmes e logiciel en ligne (Cloud Computing) mod`le optimal e PredictiveDB d´termine les param`tres e e PredictiveDB choisit l’algorithme natif SQL 5 / 10
  13. 13. SolutionPr´dire simplement e donn´es e pr´paration e logiciel en ligne (Cloud Computing) mod`le optimal e PredictiveDB d´termine les param`tres e e PredictiveDB choisit l’algorithme natif SQL 5 / 10
  14. 14. SolutionPr´dire simplement e donn´es e logiciel en ligne (Cloud Computing) mod`le optimal e PredictiveDB d´termine les param`tres e e PredictiveDB choisit l’algorithme natif SQL 5 / 10
  15. 15. SolutionPr´dire simplement e donn´es e PredictiveDB : les donn´es comme unique e param`tre. e 5 / 10
  16. 16. SolutionBase de donn´es pr´dictive e e pr´diction des valeurs manquantes (NULL) e consultation de vues pr´dictives e interface SQL tr`s simple (select et insert) e table public.churn Vue pr´dictive : pdb.churn e client id churn client id churn error risk 2 False 2 False 3 True 3 True 4 False 4 False 5 NULL 5 False 4.3232 6 / 10
  17. 17. TechnologieTh´orie de l’apprentissage statistique de V. Vapnik eSous la condition fondamentale que les donn´es epass´es et futures soient issues de la mˆme e epopulation, le mod`le d’une famille le plus fid`le e eaux donn´es est celui qui a (asymptotiquement) ele meilleur pouvoir pr´dictif. e Apprentissage Artificiel, A. Cornuejols et L.Miclet, 2002 Machine Learning, Tom Mitchell, 1997 The Elements of Statistical Learning : Data Mining, Inference, and Prediction, T. Hastie, R. Tibshirani, et J. Friedman 7 / 10
  18. 18. TechnologieArchitecture Tier 1 Tier 2 Tier 3 User Web Interface PredictiveDB Cloud API Rest psql 8 / 10
  19. 19. D´monstration ePause d´mo ! e 9 / 10
  20. 20. PredictiveDB : le premier SGBDpr´dictif en ligne e devenez alpha-testeur : www.predictivedb.fr blog : blog.predictivedb.com/tagged/fr twitter : www.twitter.com/predictivedb10 / 10

×