Télécharger en tant que PDF, PPTX
Téléchargé parMicrosoft Décideurs IT
Démystification du Machine Learning
Le document présente une démythification du machine learning, en mettant en avant ses scénarios fonctionnels tels que l'analyse de désabonnements, le filtrage de spam, et la détection d'anomalies. Il illustre l'application de cette technologie dans des cas concrets, comme la maintenance prédictive chez Thyssenkrupp et l'amélioration du tri du courrier à la Poste américaine. Le texte évoque également les étapes pour mettre en œuvre le machine learning, de la préparation des données à l'optimisation des modèles.
Contenu connexe
Similaire à Démystification du Machine Learning
Démystification du Machine Learning
- 1. tech.days 2015#mstechdaysDémystification dumachine learning AMBIENT INTELLIGENCEAMBIENT INTELLIGENCE tech days• 2015 #mstechdays techdays.microsoft.fr
- 2. tech.days 2015#mstechdaysDémystification dumachine learning #mstechdays techdays.microsoft.fr
- 5. tech.days 2015#mstechdaysDémystification dumachine learning
- 6. tech.days 2015#mstechdaysDémystification dumachine learning Qu’est-ce que c’est ?
- 7. tech.days 2015#mstechdaysDémystification dumachine 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
- 8. tech.days 2015#mstechdaysDémystification dumachine 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.
- 9. tech.days 2015#mstechdaysDémystification dumachine 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.
- 10. tech.days 2015#mstechdaysDémystification dumachine learning ? ?
- 11. tech.days 2015#mstechdaysDémystification dumachine learning
- 12. tech.days 2015#mstechdaysDémystification dumachine learning
- 13. tech.days 2015#mstechdaysDémystification dumachine learning Machine Learning
- 14. tech.days 2015#mstechdaysDémystification dumachine learning Comment le mettre en œuvre ?
- 15. tech.days 2015#mstechdaysDémystification dumachine learning
- 16. tech.days 2015#mstechdaysDémystification dumachine learning
- 17. tech.days 2015#mstechdaysDémystification dumachine learning ?
- 18. tech.days 2015#mstechdaysDémystification dumachine learning
- 19. tech.days 2015#mstechdaysDémystification dumachine learning
- 20. tech.days 2015#mstechdaysDémystification dumachine learning
- 21. tech.days 2015#mstechdaysDémystification dumachine learning
- 22. tech.days 2015#mstechdaysDémystification dumachine learning
- 23. tech.days 2015#mstechdaysDémystification dumachine learning
- 24. tech.days 2015#mstechdaysDémystification dumachine learning
- 25. tech.days 2015#mstechdaysDémystification dumachine learning
- 26. tech.days 2015#mstechdaysDémystification dumachine learning
- 27. tech.days 2015#mstechdaysDémystification dumachine 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
- 28. tech.days 2015#mstechdaysDémystification dumachine 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
- 29. tech.days 2015#mstechdaysDémystification dumachine learning
- 30. tech.days 2015#mstechdaysDémystification dumachine learning Reconnaissance de caractères
- 31. tech.days 2015#mstechdaysDémystification dumachine learning Classification Régression Clustering
- 32. tech.days 2015#mstechdaysDémystification dumachine learning Argus
- 33. Besoins métierDonnées Données brutes •Extractiondes 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
- 34.
- 35. Ambiant Intelligence fora 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
- 36. Ambiant Intelligence fora 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
- 37. tech.days 2015#mstechdaysDémystification dumachine learning
- 38. tech.days 2015#mstechdaysDémystification dumachine learning tech.days 2015#mstechdays http://notes.mstechdays.fr
- 39. tech.days 2015#mstechdaysDémystification dumachine learning © 2015 Microsoft Corporation. All rights reserved. tech days• 2015 #mstechdays techdays.microsoft.fr