1. Livres et vidéos
  2. Data Science avec Microsoft Azure - Maîtrisez le Machine Learning sur Cortana Intelligence Suite

Data Science avec Microsoft Azure Maîtrisez le Machine Learning sur Cortana Intelligence Suite

  • Accès illimité 24h/24, 7J/7
  • Tous les livres en ligne, les vidéos et les cours enregistrés ENI
  • Plus de 10 nouveautés livres et vidéos chaque mois
  • Les nouveautés disponibles le jour de leur sortie
  • Accès 100% en ligne
  • En stock
  • Expédié en 24h00
  • Livraison à partir de 0,01 €
  • Version en ligne offerte pendant 1 an
  • 1 h d'accès gratuit à tous nos livres et vidéos pour chaque commande
  • Accessible immédiatement
  • Version HTML
  • Accès illimité 24h/24, 7J/7

Présentation

Préface de Pierre BRUNO - Vice-Président et Directeur Général, Europe du Sud, DXC Technology


Ce livre sur la Data Science a pour objectif de donner au lecteur les connaissances théoriques et pratiques nécessaires pour appréhender le Machine Learning sous Microsoft Azure. Les étudiants ou les lecteurs novices découvriront pas à pas et à travers des exemples pratiques les concepts algorithmiques du Machine Learning et la solution Cortana Intelligence Suite. Les lecteurs avertis ou les Data Scientists découvriront l'environnement de développement et de déploiement des modèles prédictifs Microsoft Azure Machine Learning Studio.

Dans le premier chapitre, l'auteur donne les clés pour comprendre les enjeux de la Data Science, les notions fondamentales du Machine Learning, la démarche théorique d'une expérimentation Data Science, les notions de modélisation d'un problème et le choix des métriques pour mesurer les performances d'un modèle.

Le deuxième chapitre est entièrement dédié à la présentation de la solution Cortana Intelligence Suite. Le lecteur est ainsi invité à développer et à configurer les composants les plus couramment utilisés de cette solution.

Les chapitres suivants permettent au lecteur de découvrir les notions mathématiques sous-jacentes aux algorithmes du Machine Learning (régression, arbres de décision, algorithme K-means, réseaux de neurones, Support Vector Machine…) et d'appliquer ces algorithmes sur des exemples concrets dans l'environnement Microsoft Azure Machine Learning Studio. Le dernier chapitre de ce livre est consacré aux possibilités d'extension de l'environnement Azure Machine Learning Studio avec le langage R.


Les chapitres du livre :
Préface – Avant-propos – La Data Science – Microsoft Cortana Intelligence Suite – La régression linéaire et polynomiale – La régression logistique – Arbres de décision et Random Forest – L'algorithme k-means – Analyse en composantes principales – Réseaux de neurones – Support Vector Machine – R et Azure ML Studio – Conclusion

Table des matières

  • Avant-propos
    • 1. Introduction
    • 2. À qui s'adresse ce livre ?
    • 3. Organisation de ce livre
    • 4. Comment lire ce livre ?
    • 5. Prérequis pour la lecture de ce livre
    • 6. Qui est l'auteur ?
    • 7. Remerciements
  • La Data Science
    • 1. Objectif du chapitre
    • 2. L'objectif recherché en Machine Learning
      • 2.1 Exemple de modélisation
    • 3. Une expérimentation Machine Learning
      • 3.1 Type de données
      • 3.2 Préparation des données
    • 4. Cycle de vie d'un projet Data Science
    • 5. Algorithmes du Machine Learning
    • 6. Problème de surapprentissage
    • 7. Validation croisée
    • 8. Métriques de performance
      • 8.1 Métrique pour les problèmes de régression
      • 8.2 Métrique pour la classification
        • 8.2.1 Matrice de confusion binaire
        • 8.2.2 Matrice de confusion générale
        • 8.2.3 Exemple de matrice de confusion
        • 8.2.4 La courbe ROC
      • 8.3 Métriques pour le clustering
    • 9. Conclusion
  • Microsoft Cortana Intelligence Suite
    • 1. Objectif du chapitre
    • 2. Présentation du portail Microsoft Azure
      • 2.1 Créer un tenant Azure gratuit
    • 3. L'espace de travail Azure Machine Learning
      • 3.1 Création de l'espace de travail Machine Learning
      • 3.2 Présentation de Azure ML Studio
      • 3.3 Charger un Dataset dans Azure ML
      • 3.4 Visualiser un Dataset dans Azure ML
      • 3.5 Structure d'un module dans Azure ML
      • 3.6 Quelques modules couramment utilisés
        • 3.6.1 Le module Select Columns in Dataset
        • 3.6.2 Le module Clean Missing Data
        • 3.6.3 Le module Remove Duplicate Rows
        • 3.6.4 Le module Clip Values
        • 3.6.5 Le module Edit Metadata
        • 3.6.6 Le module Summarize Data
        • 3.6.7 Le module Normalize Data
        • 3.6.8 Le module Compute Linear Correlation
        • 3.6.9 Le module Add Columns
        • 3.6.10 Le module Split Data
        • 3.6.11 Le module SMOTE
    • 4. Les composants fréquemment utilisés
      • 4.1 Microsoft Event Hub
        • 4.1.1 Création d'un service Event Hubs
        • 4.1.2 Envoyer des messages à un Event Hub
      • 4.2 Microsoft Stream Analytics
      • 4.3 Bases de données Microsoft Azure SQL
      • 4.4 Microsoft Power BI
      • 4.5 Microsoft Data Factory
      • 4.6 Microsoft Bot Framework
      • 4.7 Les Cognitives Services
    • 5. Conclusion
  • La régression linéaire et polynomiale
    • 1. Objectif du chapitre
    • 2. La régression linéaire simple
      • 2.1 La régression linéaire simple du point de vue géométrique
      • 2.2 La régression linéaire simple du point du vue analytique
        • 2.2.1 La méthode des moindres carrés
        • 2.2.2 Quelques considérations statistiques sur les données
    • 3. La régression linéaire multiple
      • 3.1 La méthode des moindres carrés pour la régression multiple
      • 3.2 La méthode de la descente de gradient
    • 4. Exemple de régression linéaire multiple
      • 4.1 Construire le modèle de régression dans Azure ML
      • 4.2 Publication du modèle dans Azure ML
    • 5. La régression polynomiale
    • 6. Conclusion
  • La régression logistique
    • 1. Objectif du chapitre
    • 2. La régression logistique
    • 3. Prédire les survivants du Titanic
      • 3.1 Régression logistique dans Azure ML
    • 4. L'algorithme One-vs-All
    • 5. Conclusion
  • Arbres de décision et Random Forest
    • 1. Objectif du chapitre
    • 2. Construction d'un arbre de décision
    • 3. Random Forest
    • 4. Exemple de Random Forest dans Azure ML
    • 5. Conclusion
  • L’algorithme k-means
    • 1. Objectif du chapitre
    • 2. k-means du point de vue géométrique
    • 3. k-means du point de vue algorithmique
    • 4. Exemple de k-means dans Azure ML
    • 5. Conclusion
  • Analyse en composantes principales
    • 1. Objectif du chapitre
    • 2. Pourquoi l'ACP ?
    • 3. L'ACP du point de vue géométrique
    • 4. L'ACP du point de vue analytique
    • 5. Indicateurs de la qualité de la représentation
      • 5.1 Indicateurs liés aux individus
        • 5.1.1 Score des individus
        • 5.1.2 Contribution des individus
      • 5.2 Indicateurs liés aux variables
        • 5.2.1 Le cercle des corrélations
        • 5.2.2 Contribution des variables
    • 6. Exemple d'ACP dans Azure ML
      • 6.1 Interprétation des résultats sur les individus
      • 6.2 Interprétation des résultats sur les variables
    • 7. Conclusion
  • Réseaux de neurones
    • 1. Objectif du chapitre
    • 2. Modélisation d'un neurone artificiel
    • 3. Architecture d'un réseau de neurones
    • 4. L'algorithme de rétropropagation
    • 5. Réseau de neurones dans Azure ML
    • 6. Conclusion
  • Support Vector Machine
    • 1. Objectif du chapitre
    • 2. Le SVM du point de vue géométrique
      • 2.1 La démarche de SVM
    • 3. Le SVM du point de vue analytique
    • 4. Données non linéairement séparables
      • 4.1 Le Kernel Trick
      • 4.2 La condition de Mercer
      • 4.3 Exemple de fonction noyau
    • 5. Détecter les fraudes de cartes de crédit
      • 5.1 Les données des transactions de cartes de crédit
      • 5.2 Implémenter un SVM dans Azure ML
    • 6. Détecter la présence d'une maladie
      • 6.1 Définition des données médicales
      • 6.2 Détecter la présence d'une maladie
    • 7. Conclusion
  • R et Azure ML Studio
    • 1. Objectif du chapitre
    • 2. L'interpréteur R et RStudio
      • 2.1 Installation de l'interpréteur R et de RStudio
      • 2.2 Description de l'environnement RStudio
    • 3. Le module Execute R Script
      • 3.1 Présentation générale du Module Execute R Script
      • 3.2 Insérer du code R dans Execute R Script
      • 3.3 Copier/coller du code R avec Execute R Script
      • 3.4 Injecter un script R dans Execute R Script
    • 4. Créer un module R personnalisé
      • 4.1 Développer un module R personnalisé
        • 4.1.1 La forme générale du fichier XML d’un module personnalisé
        • 4.1.2 Forme générale du script R d’un module personnalisé
        • 4.1.3 Déploiement d’un module personnalisé dans Azure ML
      • 4.2 Exemple d'un module R personnalisé
    • 5. Créer un modèle R personnalisé
      • 5.1 Fonctionnement d'un module Create R Model
      • 5.2 Exemple d'utilisation du module Create R Model
    • 6. Se connecter à Azure ML avec RStudio
    • 7. Conclusion
    • Conclusion générale
    • Index

Auteur

Madjid KHICHANE En savoir plus

Après des études d'ingénieur en Informatique puis un Master en Intelligence Artificielle - Systèmes multi-agents, Madjid KHICHANE a soutenu son PhD en Intelligence Artificielle en collaboration entre l'Université Claude Bernard Lyon 1 et IBM. Il dirige aujourd'hui le pôle Intelligence Artificielle qu'il a créé au sein de DXC Technology, la première société de services informatiques indépendante au monde. Habitué à publier des articles scientifiques dans des conférences de premier niveau, il a souhaité pousser plus loin l'expérience avec l'écriture de ces livres sur les technologies liées à Microsoft Azure.

Caractéristiques

  • Niveau Expert
  • Nombre de pages 346 pages
  • Parution mars 2018
    • Livre (broché) - 17 x 21 cm
    • ISBN : 978-2-409-01278-5
    • EAN : 9782409012785
    • Ref. ENI : EPDSAZ
  • Niveau Expert
  • Parution mars 2018
    • HTML
    • ISBN : 978-2-409-01304-1
    • EAN : 9782409013041
    • Ref. ENI : LNEPDSAZ

Téléchargements

En complétant ce formulaire, vous acceptez d'être contacté afin de recevoir des informations sur nos produits et services ainsi que nos communications marketing. Vous aurez la possibilité de vous désabonner de nos communications à tout moment. Pour plus d'informations sur notre politique de protection des données, cliquez ici.
  • Des fichiers complémentaires (157 Ko)