Aide-mémoire de l’algorithme Machine Learning pour le concepteur Azure Machine Learning

L'Aide-mémoire d’algorithme Azure Machine Learning Studio vous permet de choisir l’algorithme de concepteur adapté à un modèle d’analyse prédictif.

Notes

Le concepteur prend en charge deux types de composants, les composants prédéfinis classiques (v1) et les composants personnalisés (v2). Ces deux types de composants ne sont PAS compatibles.

Les composants prédéfinis classiques fournissent principalement des composants prédéfinis utilisés pour le traitement des données et les tâches de Machine Learning traditionnelles telles que la régression et la classification. Ce type de composant continue d’être pris en charge, mais aucun nouveau composant n’est ajouté.

Les composants personnalisés vous permettent d’encapsuler votre propre code en tant que composant. Ils vous permettent de partager des composants dans des espaces de travail et de créer en toute transparence dans des interfaces Studio, CLI v2 et le Kit de développement logiciel (SDK) v2.

Pour les nouveaux projets, nous vous suggérons vivement d’utiliser un composant personnalisé et compatible avec AzureML V2 qui va continuer à recevoir de nouvelles mises à jour.

Cet article s’applique aux composants classiques, prédéfinis et non compatibles avec l’interface CLI v2 et le kit de développement logiciel (SDK) v2.

Azure Machine Learning dispose d’une grande bibliothèque d’algorithmes des familles classification, systèmes de recommandation, clustering, détection d’anomalie, régression et analyse de texte. Chacun est conçu pour traiter un type de problème de Machine Learning différent.

Pour plus d'informations, consultez Comment sélectionner des algorithmes.

Télécharger : Aide-mémoire de l’algorithme Machine Learning

Téléchargez l’aide-mémoire ici : Aide-mémoire de l’algorithme Machine Learning (11 x 17 pouces)

Aide-mémoire de l’algorithme Machine Learning : Découvrez comment choisir un algorithme Machine Learning.

Téléchargez et imprimez l’Aide-mémoire d’algorithme Machine Learning au format tabloïd pour l’avoir à portée de main et obtenir de l’aide lors du choix d’un algorithme.

Comment utiliser l’aide-mémoire de l’algorithme Machine Learning

Les suggestions proposées dans cet aide-mémoire d'algorithme sont des règles de base approximatives. Certaines peuvent être contournées et d’autres ignorées. La finalité de cet aide-mémoire est de proposer un point de départ. N’hésitez pas à comparer plusieurs algorithmes avec vos données. Il est tout simplement indispensable de comprendre les principes de chaque algorithme et le système qui a généré les données.

Chaque algorithme Machine Learning a son propre style ou biais inductif. Plusieurs algorithmes peuvent être appropriés pour un problème spécifique et un algorithme peut être un meilleur choix que d’autres. Mais il n’est pas toujours possible de savoir au préalable lequel convient le mieux. Dans ce cas, plusieurs algorithmes sont affichés dans l’aide-mémoire. Une stratégie appropriée consiste à essayer un algorithme et, si les résultats ne sont pas satisfaisants, à essayer les autres.

Pour en savoir plus sur les algorithmes dans le concepteur Azure Machine Learning, accédez aux Informations de référence sur les algorithmes et les composants.

Types de Machine Learning

Il existe trois catégories principales d’apprentissage automatique : l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement.

Apprentissage supervisé

Dans l’apprentissage supervisé, chaque point de données est étiqueté ou associé à une catégorie ou une valeur qui vous intéresse. La définition d’une image comme un « chat » ou un « chien » est un exemple d’étiquette de catégorie. Le prix de vente associé à un véhicule d’occasion est un exemple d’étiquette de valeur. L’objectif de l’apprentissage supervisé est d’étudier de nombreux exemples étiquetés comme ceux-ci, pour pouvoir effectuer des prévisions sur les points de données futurs. Par exemple pour identifier de nouvelles photos avec le bon animal ou affecter des prix de vente corrects à des véhicules d’occasion. Il s’agit d’un type d’apprentissage automatique utile et apprécié.

Apprentissage non supervisé

Dans l’apprentissage non supervisé, les points de données n’ont aucune étiquette associée. En effet, l’objectif d’un algorithme d’apprentissage non supervisé est d’organiser les données d’une certaine façon ou de décrire sa structure. L’apprentissage non supervisé groupe les données en clusters, comme le fait l’algorithme des k-moyennes, ou recherche différentes manières de visualiser des données complexes afin d’en simplifier l’affichage.

Apprentissage par renforcement

Dans l’apprentissage par renforcement, l’algorithme choisit une action en réponse à chaque point de données. Il s’agit d’une approche courante en robotique, où le jeu des lectures des capteurs à un moment donné est un point de données et où l’algorithme doit choisir l’action suivante du robot. Il est également adapté aux applications d’Internet des objets. L’algorithme d’apprentissage reçoit également un signal de récompense quelques instants plus tard, qui indique la qualité de la décision. En fonction de ce signal, l’algorithme modifie sa stratégie pour atteindre la récompense la plus élevée.

Étapes suivantes