Le document présente les journées SQL Server 2015 organisées par GUSS, mettant en avant le machine learning et ses applications, telles que la détection de visages et la prédiction de valeurs. Il décrit également Azure Machine Learning, une solution cloud offrant divers outils et fonctionnalités pour l'expérimentation et l'utilisation de modèles de machine learning. Enfin, il aborde le choix des algorithmes en fonction des types d'apprentissage et des données.

1. #JSS2015
Les journées
SQL Server 2015
Un événement organisé par GUSS
@GUSS_FRANCE

2. #JSS2015
Les journées
SQL Server 2015
Un événement organisé par GUSS
Le Machine Learning like a
Boss
Laurent Couartou - AZEO
Fabien Adato – AZEO

3. #JSS2015
Merci à nos sponsors

4. #JSS2015
Définition
Cas d’usage
Les principes
Comprendre le Machine Learning

5. #JSS2015
Définition
Le Machine Learning est une science qui
permet de créer automatiquement des
systèmes à partir de données d’exemples.

6. #JSS2015
Cas d’usage
• Catégorisation / Détection :
– Détection de visage https://www.how-old.net/
• Prédire une valeur (régression) :
– Prédire une température, un chiffre d’affaire
• Grouper par similitude / réduire la dimensionnalité d’un jeu de données (clustering) :
– Créer des profils de clients

7. #JSS2015
Qu’est ce que le Machine Learning
Modélisation
classique :
f(x) = y
Données d’exemples (x,y)
Machine Learning :
𝑇𝑒𝑚𝑝é𝑟𝑎𝑡𝑢𝑟𝑒 = 𝐻𝑎𝑢𝑡𝑒𝑢𝑟 ∗ 0,5 + 10

8. #JSS2015
Principe – Processus
page 8
Sélection du
type de
modèle
Entrainement Test Evaluation
Utilisation du
modèle
80%
20%
Découpage des données
Entrainement Test

9. #JSS2015
Azure Machine Learning

10. #JSS2015
Solution Cloud-Only qui fait parti de la suite Cortana Analitycs

11. #JSS2015
Fonctionnalités de AzureML

12. #JSS2015
Fonctionnalités de AzureML
•Le Studio : Interface web d’expérimentation drag-and-drop (sans ligne
de code)

13. #JSS2015
Fonctionnalités de AzureML
page
Bibliothèque d’algorithme
+ composants de
transformation de données

14. #JSS2015
Fonctionnalités de AzureML
Customisation via le langage R, Python et SQL

15. #JSS2015
Fonctionnalités de AzureML
Sauvegarder ses modèles entrainés et les utiliser
sous forme de service web

16. #JSS2015
Démo 1 : Utilisation d’un modèle de
classification entraîné

17. #JSS2015
Choix de l’algorithme
Il faut choisir son algorithme en fonction du type d’apprentissage et du type de
données en sortie.
Type d’apprentissage :
1. Etude non supervisée : on ne connais pas à l’avance ce que l’on
recherche.
2. Etude supervisée : on sait déjà ce que l’on attend en sortie.
Type de données :
1. Variable continue : un nombre infini de valeurs possibles.
2. Variable discrète : un nombre défini de valeurs possibles.

18. #JSS2015
Choix de l’algorithme
• Données Discrètes à
regrouper
• Exemple : créer des
groupes de clients
•Données Discrètes
•Exemple : une lettre, un
booléen…
•Données Continues
•Exemple : une température,
un CA…
A, B , C ?
Clusterisation Classification Régression

19. #JSS2015
Apprentissage supervisé
Régression : on cherche un courbe qui
colle aux données.
Catégorisation : on cherche à
déterminer une frontière entre
deux catégories
Mes données se prêtent-elles à l’utilisation d’un algorithme linéaire?

20. #JSS2015
http://blogs.technet.com/b/machinelearning/archive/2015/09/22/how-to-find-an-algorithm-that-fits.aspx

21. #JSS2015
Démo 2 : Entraînement d’un modèle

22. #JSS2015
Tarification
page
https://azure.microsoft.com/en-us/pricing/details/machine-learning/

23. #JSS2015#JSS2015
Les évaluations des sessions,
c’est important !!
http://GUSS.Pro/jss

24. #JSS2015
Merci à nos volontaires…

25. #JSS2015#JSS2015