L'apprentissage automatique est l'une des compétences les plus utiles en science des données. Grâce à l'apprentissage automatique, les professionnels des données peuvent effectuer des prédictions sur des jeux de données clés, automatiser des workflows et extraire des insights. À quoi ressemble le workflow de l'apprentissage automatique ? Cette infographie propose une vue simplifiée du workflow.
Téléchargez cette infographie en cliquant sur l'image
Mise en place du projet
Comprendre les objectifs métier
Échangez avec vos parties prenantes et comprenez en profondeur l'objectif métier derrière le modèle proposé. Une compréhension fine de vos objectifs aidera à cadrer la solution technique, les sources de données à collecter, la manière d'évaluer la performance du modèle, et plus encore.
Choisir la solution à votre problème
Une fois votre problématique bien comprise, concentrez-vous sur la catégorie de modèles qui aura le plus d'impact. Consultez cette Machine Learning Cheat Sheet pour en savoir plus.
Préparation des données
Collecte des données
Rassemblez toutes les données nécessaires à vos modèles, qu'elles proviennent de votre organisation, de sources publiques ou payantes.
Nettoyage des données
Transformez des données brutes et hétérogènes en données propres et structurées, prêtes pour l'analyse. Consultez cette checklist de nettoyage des données pour une introduction au sujet.
Ingénierie des variables
Manipulez les jeux de données pour créer des variables (features) qui améliorent la précision de prédiction de votre modèle. Créez les mêmes variables à la fois dans l'ensemble d'entraînement et l'ensemble de test.
Fractionner les données
Divisez aléatoirement les enregistrements du jeu de données en un ensemble d'entraînement et un ensemble de test. Pour une évaluation plus fiable des performances, générez plusieurs paires entraînement/test via la validation croisée.
Modélisation
Ajustement des hyperparamètres
Pour chaque modèle, utilisez des techniques de réglage des hyperparamètres afin d'améliorer les performances.
Entraîner vos modèles
Ajustez chaque modèle sur l'ensemble d'entraînement.
Générer des prédictions
Réalisez des prédictions sur l'ensemble de test.
Évaluer les performances
Pour chaque modèle, calculez des métriques de performance sur l'ensemble de test, comme l'accuracy, le rappel et la précision.
Déploiement
Déployer le modèle
Intégrez le modèle choisi dans des tableaux de bord, des applications ou tout autre environnement nécessaire.
Surveiller les performances du modèle
Testez régulièrement les performances de votre modèle au fur et à mesure que les données évoluent, afin d'éviter la dérive de modèle.
Améliorer votre modèle
Itérez et améliorez continuellement votre modèle après son déploiement. Remplacez-le par une version mise à jour pour gagner en performance.
