Le document présente une introduction au machine learning, en expliquant ses principes, ses paradigmes et les différents algorithmes appliqués. Il met également en avant l'outil Apache Spark comme une solution performante pour le traitement des données massives, avec des capacités d'apprentissage automatique variées. Enfin, il souligne l'importance de bien préparer les données et de sélectionner les algorithmes adéquats pour assurer des prédictions fiables.

1. Démystifions le Machine
Learning avec Spark

2. David MARTIN
DIRECTEUR DU CONSEIL
dmartin@ippon.fr
@_dmartin_

3. Simple facts
90% de la donnée
mondialeactuelle générée
au cours des 2 dernières années

4. Machine
Learning ?

5. Définition
Le Machine Learning est une branche de l’Intelligence Artificielle…
… qui s’attache à étudier les techniques permettant à un système d’apprendre à
réaliser des tâches.
Souvent couplé au Data Mining, l’ensemble permet d’apporter une réponse
complète aux problématiques d’analyse et de traitement de la donnée.
Machine Learning paradigm == Programming by example

6. Présentation
par l’exemple

7. Prédire un prix
Déterminer le bon prix pour vendre un bien
Quels paramètres pour construire le modèle ?
Surface habitable, surface terrain, exposition, nombre de chambres, salles de
bains, année de construction, ...

8. Catégorisation d’entités
Déterminer si un équipement présente un risque de panne
Quels paramètres ?
Nb heures de fonctionnement, température(s), régime, nombre total d’opérations,
contraintes, ...

9. Création de groupes de données
Grouper les données : segmenter une base clients
Apprentissage non supervisé : l’algorithme n’a pas reçu d’information d’
appartenance à une catégorie, il crée lui même les groupes

10. Reconnaissance d’objets
Reconnaître un objet, une forme, une lettre, un son, ...

11. Mais aussi...
> Optimisations de campagnes marketing
> Détection de fraude
> Optimisations de chaines d’approvisionnement
> Sécurisation de la fidélité client (customer churn prediction)
> Moteurs de recommandation
> Publicité ou Contenu ciblés
> Nouveaux services disruptifs
...

12. Les principaux
algorithmes

13. Catégories d’algorithmes
Catégories d’algorithmes d’apprentissage :
> Apprentissage supervisé
> Apprentissage non supervisé
> Apprentissage semi supervisé
> Apprentissage par renforcement
...

14. Principaux algorithmes
Des algorithmes ou familles fréquemment utilisé(e)s :
> Logistic regression
> Linear regression
> Support Vector Machine
> Decision Tree / Random Forest
> K-Means
> (Deep) Neural networks
...

15. De la donnée
brute à la
prédiction

16. La donnée brute
Au départ, beaucoup de données…
… potentiellement issues de beaucoup de systèmes
… traitant d’aspects divers
De la donnée brute, encore impropre à la consommation

17. La préparation
Nettoyer, Filtrer, Harmoniser les informations pour commencer à travailler
> Supprimer ou compléter les données incomplètes
> Retenir les données relatives au domaine ciblé
> Homogénéiser les formats, les valeurs (si issues de systèmes différents…)
> Qualifier si besoin les informations (cas de l’apprentissage supervisé)
> Dériver les informations de la masse existante

18. Identifier le cas d’utilisation
Identifier la catégorie du cas d’utilisation
pour identifier le ou les algorithmes potentiellement adaptés
et sélectionner les paramètres en entrée offrant la meilleure pertinence
Le bon choix d’algorithme(s) importe tout autant que la bonne identification et
préparation des paramètres d’entrée

19. Implémenter, ajuster, itérer
> Construire un modèle de prédiction sur la base d’une partie des données
préparées
> Tester le modèle
> Déduire les ajustements nécessaires
> Réitérer cette étape si besoin
Le processus est itératif…
… et peut prendre un temps important
avant de donner satisfaction

20. Prédire !
Prédire reste la finalité
Mais le modèle peut/doit vivre. Les postulats initiaux évoluent.
Il doit être regénéré sur la base de données actualisées
> A/B Testing
> Sauvegarde et versioning des modèles

21. En image
Raw data
Processed
data
Clean
Format
Extract features
...
Algorithm
training
Test
Precision
threshold
Prediction
Input
(validation set / real data)

22. En synthèse
Les points importants :
> Disposer de beaucoup de données : le plus le mieux très souvent (mais pas
toujours)
> Pertinence et nombre des paramètres
> Commencer simple et itérer (!= optimisation précoce)

23. De la théorie à
la pratique

24. Implémentations
Rappels
On n’implémente pas sa version d’un algorithme
On utilise une implémentation existante, testée et éprouvée

25. Approches et outils
Approche SaaS
> API spécialisées ou génériques
> Azure Machine Learning
> Amazon Machine Learning
> Google Prediction API ...
Approche “tailor made” (plus bas niveau)
> Pandas / Scikit Learn
> Vowpal Wabbit
> Weka
> Apache Spark ...

26. Apache Spark
Apache Spark en quelques points
> Projet de l’Université de Berkeley (2009)
> Solution générique et performante de traitement de données
> Adaptée aux très gros volumes de données
> Distribue les traitements
> Données en mémoire pour une meilleure performance
> Ecrit en Scala, bindings Java, Python et R
> Traction de plus en plus forte

27. Apache Spark
Spark offre une solution performante de traitements de la donnée

28. Spark ML / ML Lib
Principaux algorithmes supportés
> Classification et régression
○ Linear regression, logistic regression, SVM
○ Naive Bayes (classification)
○ Decision Trees (Random Forest, Gradient-Boosted Trees)
> Système de recommandation
○ Collaborative Filtering (Alternating Least Squares)
> Clustering
○ K-Means, Latent Dirichlet allocation, …
> Frequent Pattern Mining
> Facilités pour la réduction de dimension (SVD, PCA)
> Optimisations possibles (Stochastic Gradient Descent…)
> Organisation des traitements sous forme de Pipelines (Spark ML)

29. External libraries / Extensions
Spark peut être étendu :
> librairies additionnelles tirant profit du framework
> Time Series
> Deep Learning
> Graph (GraphFrame)
et profiter de solutions externes :
> Notebooks (Zeppelin, Databricks, …)
> Solutions de dashboards
(Databricks Dashboards)

30. Pour conclure
Apache Spark est une solution
polyvalente et en pleine croissance
⇒ Pertinence de la plateforme à l’
ère du Big Data
Les perspectives futures sont très
intéressantes :
● Evolution constante de la
bibliothèque d’algorithmes,
● librairies externes
complémentaires spécialisées,
● traction en forte accélération, ...

31. Venez nous rendre visite au
STAND IPPON 501
PARIS - BORDEAUX - NANTES
WASHINGTON DC - NEW-YORK - RICHMOND
contact@ippon.fr
www.ippon.fr - www.ippon-hosting.com - www.ippon-digital.fr
@ippontech - 01 46 12 48 48