Apprendre AutoML (French Edition)

Partie III. L'AutoML pour différents types de données

Les problèmes concrets liés à l'apprentissage automatique ne se présentent pas tous de la même manière. Tu peux être amené à prédire le taux de désabonnement des clients à partir d'enregistrements de bases de données structurées, à classer des tickets d'assistance à partir de texte brut, à prévoir la demande pour des milliers de produits ou à catégoriser des images issues d'un catalogue de produits. Chaque type de données présente des défis uniques, et les frameworks AutoML ont développé des approches spécialisées pour chacun d'entre eux.

Dans cette partie, nous nous plongerons dans la mise en œuvre pratique et concrète des quatre principales modalités de données que tu rencontreras en production. Pour les données tabulaires, nous explorerons pourquoi les ensembles de gradient boosting dominent toujours et comment l’AutoML les orchestre. Pour le texte, tu apprendras à tirer parti des modèles basés sur les transformateurs sans devenir un expert en Deep Learning. La prévision de séries chronologiques introduit des dépendances temporelles et des stratégies d’évaluation qui diffèrent fondamentalement de l’apprentissage automatique standard. La vision par ordinateur montre comment l’AutoML démocratise des capacités qui nécessitaient autrefois des équipes spécialisées. Chaque chapitre comprend du code testé en production, des benchmarks de performance et les leçons durement acquises qui distinguent les déploiements réussis des démonstrations ...