PRO+ Contenu Premium/Applications & Données
Accédez au contenu Pro+ ci-dessous.
Feature engineering : cinq conseils essentiels pour améliorer vos modèles IA
Cet article fait partie de l’ezine Applications & Données : N°10 - Automne 2020
Lors de l'entraînement d'un modèle algorithmique, le feature engineering est une étape complexe. Elle joue un rôle important dans l'organisation des jeux de données brutes pour les différentes techniques de deep learning et de machine learning. Il s'agit d'un processus itératif qui évolue au fur et à mesure que les data scientists explorent différentes hypothèses sur ce que les données représentent et les types d'algorithmes qu'ils choisissent pour atteindre un résultat spécifique. Dans cet article, nous partageons cinq conseils essentiels proposés par des spécialistes en data science pour accomplir au mieux cette étape. Qu’est-ce que le feature engineering ? À un haut niveau, le feature engineering est la pratique qui consiste à transformer des données brutes en la forme la plus appropriée pour un algorithme de machine learning spécifique. Piyanka Jain, présidente et directrice générale d'Aryng, une société de conseil en data science, explique que cette technique se décompose en deux parties distinctes. La première partie ...
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.