Autour d'exemples simples, découvrons ensemble les concepts sous-jacents et les possibilités offertes par le Machine Learning. Si sans complexe vous voulez savoir ce qui se cache derrière ce « buzz word », cette session est pour vous! Vous vous demandez ce qu'il y a exactement derrière des termes tels que: apprentissage supervisé, classification, régression, clustering, série temporelle… Venez, aucun pré-requis n'est nécessaire!

1. tech.days 2015#mstechdaysDémystification du machine learning
AMBIENT INTELLIGENCEAMBIENT INTELLIGENCE
tech days•
2015
#mstechdays techdays.microsoft.fr

2. tech.days 2015#mstechdaysDémystification du machine learning
#mstechdays techdays.microsoft.fr

5. tech.days 2015#mstechdaysDémystification du machine learning

6. tech.days 2015#mstechdaysDémystification du machine learning
Qu’est-ce que c’est ?

7. tech.days 2015#mstechdaysDémystification du machine learning
Les principaux
scénarios fonctionnels
qui peuvent être
adressés avec du
Machine Learning
Analyse de
désabonnements
(churn)
Monitoring
d’équipements
Spam
filtering
Ciblage
publicitaire
Recommandations
Détection de
fraudes
Détection
d’images et
classification
Prévisions
Détection
d’anomalies

8. tech.days 2015#mstechdaysDémystification du machine learning
ThyssenKrupp Elevator fournit et maintient plus de
1,1 million d’ascenseurs dans le monde et a pour
objectif de toujours offrir un meilleur service et
d’optimiser les coûts de maintenance.
En combinant une approche Internet of Things,
pour remonter les informations provenant des
capteurs des ascenseurs, et le Machine Learning, ils
sont capables de détecter les comportements qui
vont conduire à une panne et intervenir en
conséquence (maintenance prédictive et proactive),
avant que les pannes ne surviennent.
L’étape suivante est de pouvoir optimiser
l’approvisionnement en pièces détachées et le
chargement des camions de dépannage avant
même que les ascenseurs ne tombent en panne.

9. tech.days 2015#mstechdaysDémystification du machine learning
La Poste américaine a traité 150 milliards de
courriers en 2013: bien trop pour un tri manuel.
Mais en 1997, seulement 10% des courriers avec
une adresse manuscrite pouvaient être traités
automatiquement.
Le challenge consistait à permettre aux ordinateurs
d’interpréter les variations infinies de l’écriture
manuscrite.
En réalisant un apprentissage continu, la Poste a pu
« entrainer » ses ordinateurs à lire efficacement
l’écriture manuscrite.
Aujourd’hui, avec l’aide du machine learning, le tri
de plus de 98% des courriers est réalisé
automatiquement.

10. tech.days 2015#mstechdaysDémystification du machine learning
?
?

11. tech.days 2015#mstechdaysDémystification du machine learning

12. tech.days 2015#mstechdaysDémystification du machine learning

13. tech.days 2015#mstechdaysDémystification du machine learning
Machine Learning

14. tech.days 2015#mstechdaysDémystification du machine learning
Comment le mettre en
œuvre ?

15. tech.days 2015#mstechdaysDémystification du machine learning

16. tech.days 2015#mstechdaysDémystification du machine learning

17. tech.days 2015#mstechdaysDémystification du machine learning
?

18. tech.days 2015#mstechdaysDémystification du machine learning

19. tech.days 2015#mstechdaysDémystification du machine learning

20. tech.days 2015#mstechdaysDémystification du machine learning

21. tech.days 2015#mstechdaysDémystification du machine learning

22. tech.days 2015#mstechdaysDémystification du machine learning

23. tech.days 2015#mstechdaysDémystification du machine learning

24. tech.days 2015#mstechdaysDémystification du machine learning

25. tech.days 2015#mstechdaysDémystification du machine learning

26. tech.days 2015#mstechdaysDémystification du machine learning

27. tech.days 2015#mstechdaysDémystification du machine learning
0
1000
2000
3000
4000
5000
6000
0
100,000
200,000
300,000
400,000
500,000
600,000
700,000
800,000
900,000
1,000,000
1,100,000
1,200,000
1,300,000
1,400,000
1,500,000
1,600,000
1,700,000
1,800,000
1,900,000
2,000,000
2,100,000

28. tech.days 2015#mstechdaysDémystification du machine learning
Prix Surface # Chamb. # SdB # Cheminée # Garage # Etage
125,999 950 1 1 0 0 1
207,190 1125 1 1 0 1 1
227,555 1400 2 1.5 1 2 1
319,010 1750 2 1.5 0 2 2
345,846 1525 3 2 1 2 1
350,000 1690 3 1.5 1 2 1.5
437,301 2120 3 2.5 2 3 2
450,999 2500 3 2.5 1 2 1.5
605,000 3010 4 2.5 2 3 2
641,370 3250 3 3 1 3 2
824,280 3600 3 3 2 3 2
1,092,640 3700 5 4.5 2 3 2
1,187,550 4500 6 6 4 5 2

29. tech.days 2015#mstechdaysDémystification du machine learning

30. tech.days 2015#mstechdaysDémystification du machine learning
Reconnaissance de
caractères

31. tech.days 2015#mstechdaysDémystification du machine learning
Classification
Régression
Clustering

32. tech.days 2015#mstechdaysDémystification du machine learning
Argus

33. Besoins métierDonnées
Données brutes
•Extraction des champs
pertinents
Filtrage
•Nettoyage,
enrichissement
•Extraction de variables
Sélection d’attributs
•Réduction de dimension
•Correction de valeurs
Interprétation
•Analyse métier
•Utilisation
opérationnelle
Modifier la
conception du
modèle
Sweep des
paramètres
Visualisation
•Visualisation des
résultats de prédiction
Introduire des
connecteurs vers des
Outils de restitution BI
Définition de la
problématique
Pré
traitements
des données
Construction
du modèle
Evaluation et
optimisation de
la précision du
modèle
Déploiement
du modèle en
Web Service
Réglage de la
pertinence
Préparation de
données
Data mining
Déploiement
Création de clusters
Sequence mining
Machine Learning
Apprentissage
Tests de robustesse, de
calibrage, validation croisée

34. Perspectives

35. Ambiant Intelligence for a better Customer Experience
“Consistent, Personalized, and Self-learning”
Customer
Business Operations
Orders / CRM
Inventory / IOT
Finance
Services
External sources
Rating
Social / Weather
Demographics
Partners
Integrated Enterprise Data
Single View of the Customer
Machine Learning
Scores Segmentation
High-Value Services
Sales
Campaign
Churn
Prices
Interaction
Management
Channels
Web
Stores
Support
Devices
Lounges
Partners
Learning

36. Ambiant Intelligence for a better Customer Experience
“Consistent, Personalized, and Self-learning”
Customer
Business Operations
Orders / CRM
Inventory / IOT
Finance
Services
External sources
Rating
Social / Weather
Demographics
Partners
Integrated Enterprise Data
Single View of the Customer
Machine Learning
Scores Segmentation
High-Value Services
Sales
Campaign
Churn
Prices
Interaction
Management
Channels
Web
Stores
Support
Devices
Lounge
Partners
Learning
Advanced and Innovative Dashboards from any device

37. tech.days 2015#mstechdaysDémystification du machine learning

38. tech.days 2015#mstechdaysDémystification du machine learning tech.days 2015#mstechdays
http://notes.mstechdays.fr

39. tech.days 2015#mstechdaysDémystification du machine learning
© 2015 Microsoft Corporation. All rights reserved.
tech days•
2015
#mstechdays techdays.microsoft.fr