PRO+ Contenu Premium/Applications & Données
Accédez au contenu Pro+ ci-dessous.
Data Sciences : quatre bonnes pratiques à appliquer dans vos projets
Cet article fait partie de l’ezine Applications & Données : N°10 - Automne 2020
L’automatisation est un élément clé dans la transformation numérique des opérations des entreprises. Un des moteurs de cette automatisation est la Data Sciences. Problème : de nombreuses idées fausses circulent encore sur l’Intelligence Artificielle, les algorithmes et le machine learning. Pour aider à en dissiper certaines, et optimiser votre data science, voici quatre bonnes pratiques qui devraient aider vos projets « data » à (mieux) aboutir. 1. Comprendre l’exigence des métiers Une des idées fausses les plus courantes à propos des Data Scientists est qu’ils ne font que compiler des données, qu’exécuter des modèles et que produire des résultats (outputs ou insights). Certes, ils font tout cela. Mais la partie la plus importante du travail est d’abord et avant tout d’établir et de comprendre le cas d’utilisation pour un modèle particulier. En d’autres termes, quel problème métier doit être traité ? Pour les Data Scientists, ce processus revient à convertir l’objectif des opérationnels en un problème mathématique. Mais pour y ...
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.