book

Développer des applications machine learning

Name: Développer des applications machine learning
ISBN: 9782412058022

by Emmanuel Ameisen, Daniel Rougé

October 2020

Intermediate to advanced

276 pages

7h 44m

French

Editions First

Read now

Unlock full access

Couverture
Développer des applications machine learning
Copyright
Introduction
Pourquoi utiliser des applications propulsées par le Machine LearningUtiliser le ML pour construire des applications pratiquesRessources supplémentairesLe ML en pratiqueCe que couvre ce livreGlobalité du processus de MLUne étude de cas technique et pratiqueDes applications du mode réelPrérequisNotre étude de cas : rédaction assistée par MLLe processus du MLConventions utilisées dans ce livreUtilisation des exemples de code
PARTIE I. Trouver la bonne approche en matière de ML
CHAPITRE 1. Du produit au ML
Estimer ce qui est possibleModèlesClassification et régressionExtraire des connaissances à partir de données non structuréesOrganisation en cataloguesModèles génératifsDonnéesTypes de donnéesDisponibilité des donnéesLes jeux de données sont itératifsCadrer l’Éditeur MLTenter de tout faire avec le ML : un cadre de bout en boutL’approche la plus simple : être l’algorithmeUn terrain d’entente : trier les leçons de notre expérienceMonica Rogati : Comment choisir et hiérarchiser les projets ML ?Conclusion
CHAPITRE 2. Créer un plan
Mesurer le succèsPerformance produitPerformance du modèleFraîcheur et changements dans la distributionVitesseEstimer la portée et les défisExploiter l’expertise dans le domaineSe tenir sur les épaules des géantsPlanifier l’Éditeur MLPlan initial pour un éditeurToujours commencer par un modèle simplePour faire des progrès réguliers : commencer simplementCommencer par un pipeline simplePipeline pour l’Éditeur MLConclusion
PARTIE II. Construire un pipeline fonctionnel
CHAPITRE 3. Construire votre premier pipeline de bout en bout
L’échafaudage le plus simplePrototype pour un Éditeur MLAnalyser et nettoyer les donnéesTokeniser le texteGénérer des caractéristiquesTester votre flux de travailExpérience utilisateurModélisation des résultatsTrouver le goulet d’étranglement de l’impactÉvaluation du prototype de l’Éditeur MLModèleExpérience utilisateurConclusion
CHAPITRE 4. Acquérir un jeu de données initial
Itérer sur des jeux de donnéesScience des donnéesExplorer votre premier jeu de donnéesSoyez efficace, commencez petitDonnées : connaissances et produitsUne rubrique sur la qualité des donnéesFormat des donnéesQualité des donnéesQuantité de données et distribution des caractéristiquesInspection des données pour l’Éditeur MLÉtiqueter pour trouver les tendances des donnéesStatistiques de synthèseStatistiques sommaires pour l’Éditeur MLExplorer et étiqueter efficacementVectorisationRéduction de la dimensionnalitéClusteringSoyez l’algorithmeTendances dans les donnéesLaisser les données informer les caractéristiques et les modèlesConstruire des caractéristiques à partir de modèlesDate et heure brutesExtraction du jour de la semaine et du jour du moisCroisement de caractéristiquesDonner la réponse à votre modèleCaractéristiques pour l’Éditeur MLRobert Munro : Comment trouver, étiqueter et exploiter les données ?Conclusion

PARTIE III. Itérer sur les modèles
CHAPITRE 5. Entraîner et évaluer votre modèle
Le modèle approprié le plus simpleModèles simplesRapidité d’implémentationCompréhensibilitéDéploiementDes motifs détectés dans les données aux modèlesNous voulons ignorer l’échelle des caractéristiquesNotre variable prédite est une combinaison linéaire de prédicteursNos données ont un aspect temporelChaque point de données est une combinaison de motifsModèle pour l’Éditeur MLPartager votre jeu de donnéesJeu de validationJeu de testProportions relativesFuite de donnéesPartage des données pour l’Éditeur MLJuger des performancesCompromis entre biais et varianceAller au-delà des métriques agrégéesÉvaluer votre modèle : aller au-delà de l’exactitudeContraste entre données et prédictionsMatrice de confusionCourbe ROCCourbe d’étalonnageRéduction de la dimensionnalité pour les erreursLa méthode Top-kLes k échantillons les plus performantsLes k pires échantillons en termes de performancesLes k échantillons les plus incertainsConseils pour l’implémentation de la méthode Top-kMéthode Top-k pour l’Éditeur MLAutres modèlesÉvaluer l’importance des caractéristiquesÉvaluation directe à partir d’un classifieurExplicateurs de boîte noireConclusion
CHAPITRE 6. Déboguer vos problèmes de ML
Meilleures pratiques en matière de logicielsMeilleures pratiques spécifiques au MLCâbler le débogage : visualisation et testCommencer par un petit échantillonnageÉtapes de visualisationChargement des donnéesNettoyage et sélection des caractéristiquesGénération de caractéristiquesFormatage des donnéesSorties du modèleSystématiser notre validation visuelleScinder vos préoccupationsTester votre code MLTester l’ingestion des donnéesTester le traitement des donnéesTester les sorties du modèleDébogage de l’entraînement : faire apprendre votre modèleDifficultés de la tâcheQualité, quantité et diversité des donnéesReprésentation des donnéesCapacité du modèleProblèmes d’optimisationDéboguer la généralisation : rendre votre modèle utileFuite de donnéesSurapprentissageRégularisationAugmentation des donnéesRefondre l’ensemble des donnéesAnalyser la tâche à accomplirConclusion
CHAPITRE 7. Utilisation des classifieurs pour des recommandations de rédaction
Extraire les recommandations des modèlesQue pouvons-nous obtenir sans modèle ?Utilisation de statistiques sur les caractéristiquesExtraire l’importance globale des caractéristiquesUtiliser un score de modèleExtraire l’importance locale des caractéristiquesComparer des modèlesVersion 1 : retour au point de départVersion 2 : plus puissante, moins claireVersion 3 : des recommandations compréhensiblesGénérer des recommandations d’éditionConclusion
PARTIE IV. Déployer et surveiller
CHAPITRE 8. Considérations lors du déploiement des modèles
Les données et leurs problèmesPropriété des donnéesBiais dans les donnéesJeux de testBiais systémiquePréoccupations en matière de modélisationBoucles de rétroactionRéfléchir à la problématique des performancesConsidérer le contexteSe défendre contre les agressionsPréoccupations en matière d’abus et de double usageChris Harland : Expériences de déploiementConclusion
CHAPITRE 9. Choisir votre option de déploiement
Déploiement côté serveurApplication ou API de streamingPrédictions par lotsDéploiement côté clientSur l’appareilCôté navigateurApprentissage fédéré : une approche hybrideConclusion
CHAPITRE 10. Protéger les modèles
Ingénierie autour des défaillancesContrôles des entrées et des sortiesVérifier les entréesSorties des modèlesDéfaillances des modèlesModèle de filtrageIngénierie pour la performanceCas de multiples utilisateursMise en cache pour le MLGestion du cycle de vie des modèles et des donnéesReproductibilitéRésilienceFlexibilité du pipelineTraitement des données et DAGSusciter des retoursChris Moody : Permettre aux spécialistes des données de déployer des modèlesConclusion
CHAPITRE 11. Monitoring et mise à jour des modèles
Le monitoring sauve des viesMonitoring pour le taux de rafraîchissementMonitoring pour détecter les abusChoisir ce que vous voulez surveillerMétriques de performancesMétriques d’entrepriseCI/CD pour le MLTest A/B et expérimentationChoix des groupes et de la duréeEstimer la meilleure varianteConstruire l’infrastructureAutres approchesConclusion
Sommaire

Content preview from Développer des applications machine learning

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Publisher Resources

ISBN: 9782412058022

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills

Développer des applications machine learning

by Emmanuel Ameisen, Daniel Rougé

Sommaire

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.