1

Prise en main de l'interface Azure Machine Learning

• L'offre Azure. Facturation à l'usage.
• Prise en main de l'interface Machine Learning Studio.
• Créer un dataset. Se connecter à une source de données.
• Construire une expérience de ML.
• Définir un Web Service prédictif.
• La Gallery Cortana Intelligence.

2

Créer une expérience de Machine Learning

• Utiliser l'arbre de choix des algorithmes.
• Détecter les valeurs aberrantes.
• Choisir les variables de l'algorithme (features sélection).
• Initialiser le modèle, entraîner le modèle, évaluer le modèle.
• Reformer un modèle prédictif.
• Transformer les variables de l’algorithme (features engineering).
• Limiter les lignes d’un jeu de données.

3

Savoir paramétrer les grandes familles d'algorithmes

• Algorithmes de clustering (approche non supervisée).
• Algorithmes de régression linéaire.
• Algorithmes de régression logistique ou ordinale.
• Algorithmes de classification (approche supervisée) binaire ou one-versus-all.
• Méthodes ensemblistes (forêt, jungle…).
• Packages R et Python. Le framework Vowpall Wabbit.
• Paramétrage des algorithmes.

4

Traiter d'autres types de données

• Analyser les séries temporelles, détecter les anomalies.
• Analyse de données textuelles avec les packages R.
• Appliquer un algorithme Vowpal Wabbit (Latent Dirichlet Analysis).
• Exploiter les images avec notebooks Jupyter.

5

Découvrir les nouveaux outils autour d'Azure Machine Learning

• Nouvelles briques Azure pour le ML (Experimentation / Model Management).
• Inspection et préparation des données (transformations par exemple, transformations avancées).
• Mise en œuvre des instances Azure Machine Learning.
• Suivi des exécutions et des métriques d’évaluation.
• Scénarios de déploiement (local/Spark/Docker/AKS).