PRO+ Contenu Premium/Applications & Données
Accédez au contenu Pro+ ci-dessous.
Applications & Données n° 10 : le Machine Learning est en action
Cet article fait partie de l’ezine Applications & Données : N°10 - Automne 2020
Le numéro 10 de la revue « Applications & Données » est sorti. Il est entièrement dédié à la Data Science. Pourquoi ce choix ? Parce que le Machine Learning et sa variante, le Deep Learning, ne sont plus des sujets théoriques pour les entreprises et les organisations. Celles-ci mettent désormais en place des projets très divers, en fonction des secteurs et des sujets (finances, supply chain, etc.). Le principe premier de ces projets est de trouver des récurrences, de dévoiler des corrélations et des liens cachés dans les données, le plus souvent pour améliorer les opérations, grâce à une automatisation devenue « intelligente ». Mais le basculement entre théorie et pratique n’est pas très vieux. Et les questions sur les bonnes pratiques restent nombreuses. D’où ce numéro. Concrètement, les PoC ont ouvert la voie aux mises en production réelles il y a environ deux ans. Mais depuis, le Machine Learning a progressé, à grande vitesse. Le récent salon AI Paris a montré à quel point les grands groupes étaient devenus familiers avec ...
A lire Dans ce numéro
-
Applications & Données n° 10 : le Machine Learning est en action
Le numéro d’automne de notre revue dédiée aux applications métiers et à la gestion des données est entièrement consacré au Machine Learning et à la Data Science. Au menu : des conseils d’experts pour mener à bien vos projets de bout en bout, et deux retours d’expérience qui les ont appliqués à la SNCF et dans le secteur de la logistique.
-
Quand choisir un moteur de règles ou le machine learning
Le choix entre un moteur de règles et un algorithme de machine learning dépend de la complexité de la tâche décisionnelle à accomplir et du niveau d'expertise des équipes en interne.
-
SNCF Réseau optimise les entraînements de ses algorithmes avec le cloud
SNCF Réseau, filiale de la SNCF a choisi le cloud AWS pour déployer son environnement de traitement de données décisionnel et analytique. Son architecture très spécifique facilite l’entraînement d’algorithmes, dont ceux de computer vision pour détecter les anomalies sur les rails.
-
IA Frugale : comment entraîner des modèles avec peu de données ?
Entraîner des modèles de machine learning avec peu de données, est-ce possible ? Oui, mais les spécialistes considèrent que les techniques d’enrichissement sont suffisamment performantes pour généraliser les apprentissages de leurs modèles.
-
Feature engineering : cinq conseils essentiels pour améliorer vos modèles IA
De la compréhension de l'objectif escompté d'un modèle algorithmique à la prise en compte des spécificités du domaine d'application, des experts partagent les méthodes pour faciliter la phase de feature engineering.
-
Deep learning : réseaux neuronaux RNN et CNN quelles différences ?
Les réseaux de neurones convolutifs et récurrents sont à la base de nombreuses applications d’intelligence artificielle. Découvrez les différences entre ces deux types de réseau de neurones artificiels.