Présentation
Les solutions de Machine Learning conçues de manière réfléchie constituent la base des applications d’IA d’aujourd’hui. De l’analyse prédictive aux recommandations personnalisées et au-delà, les solutions de Machine Learning prennent en charge les dernières avancées technologiques de la société en utilisant des données existantes pour produire de nouveaux insights.
En tant que scientifique des données, vous pouvez prendre des décisions pour résoudre de différentes manières les problèmes que rencontre le Machine Learning. Les décisions que vous prenez affectent le coût, la vitesse, la qualité et la longévité de la solution.
Dans ce module, vous apprenez à concevoir une solution de Machine Learning de bout en bout avec Microsoft Azure, qui peut être utilisée dans un environnement d’entreprise. En utilisant les six étapes suivantes comme cadre, nous explorons comment planifier, entraîner, déployer et surveiller des solutions de Machine Learning.
- Définir le problème : déterminez ce que le modèle doit prédire et quand la prédiction est réussie.
- Obtenir les données : recherchez des sources de données et obtenez l’accès à celles-ci.
- Préparer les données : explorez les données. Nettoyez et transformez les données en fonction des exigences du modèle.
- Entraîner le modèle : choisissez un algorithme et des valeurs d’hyperparamètre en fonction des tests effectués au préalable.
- Intégrer le modèle : déployez le modèle sur un point de terminaison pour générer des prédictions.
- Monitorer le modèle : suivez les performances du modèle.
Notes
Le diagramme est une représentation simplifiée du processus de machine learning. En règle générale, le processus est itératif et continu. Par exemple, lors du monitoring du modèle, vous pouvez décider de revenir en arrière et de réentraîner le modèle.