Faire du Machine Learning SANS CODE avec AWS SageMaker

AWS SageMaker Canvas est une plateforme de visualisation en temps réel qui permet aux utilisateurs de créer et de développer des modèles de machine learning de manière interactive. Il offre une interface graphique facile à utiliser qui permet aux utilisateurs de concevoir et de tester rapidement leur modèle sans avoir besoin de compétences en programmation profondes. En utilisant AWS SageMaker Canvas, les utilisateurs peuvent accélérer leur processus de développement de modèle en utilisant des algorithmes prédéfinis et en partageant leurs travaux avec d'autres membres de leur équipe.

Avant d'accéder à la plateforme Canvas proposée par AWS Sagemaker, nous devons d'abord configurer notre espace de stockage.

AWS Sagemaker Canvas nous propose une interface sur la plateforme pour gérer ses fichiers de données, pour pouvoir ensuite les importer plus facilement.

La classification et la régression sont deux des tâches les plus courantes en apprentissage automatique (machine learning). Nous allons voir dans cette vidéo comment choisir le bon type de modèle à travers un projet de classification de patients d'une clinique médicale.

La classification binaire est un type de classification en apprentissage automatique qui s'occupe de mettre les choses dans deux catégories différentes. C'est comme dire "Oui" ou "Non", "Vrai" ou "Faux". Au cours de ce projet, nous allons essayer de prédire "Malade" ou "Pas malade" sur une série de données concernant des patients d'un institut cardiovasculaire.

Pour savoir si notre modèle de Machine Learning est performant, nous devons analyser certaines métriques pour s'assurer que les prédictions sont bonnes.

Est-ce que le cours vous plaît ?

La matrice de confusion est un outil couramment utilisé en apprentissage automatique pour évaluer la performance d'un algorithme de classification. Il s'agit d'une table qui montre comment l'algorithme a classé les données par rapport aux catégories réelles.

L'Accuracy, le Recall, la Precision et le F1-Score sont tous des métriques couramment utilisées pour évaluer la performance d'un algorithme de classification en apprentissage automatique. Voici une brève explication de chacune de ces métriques :

• Accuracy : C'est le pourcentage de classifications correctes par rapport à toutes les classifications effectuées. C'est-à-dire le nombre de classifications correctes divisé par le nombre total de classifications.

• Recall : C'est la proportion de véritables positifs qui ont été correctement identifiés par l'algorithme. C'est-à-dire le nombre de véritables positifs correctement identifiés divisé par le nombre total de véritables positifs.

• Precision : C'est la proportion de positifs prédits qui sont effectivement véritables positifs. C'est-à-dire le nombre de véritables positifs parmi les positifs prédits.

• F1-Score : C'est un score combiné qui prend en compte à la fois la précision et le recall. C'est un bon indicateur lorsqu'il y a un déséquilibre de classe.

Il est important de noter que ces métriques peuvent varier en fonction de l'application et de la façon dont elles sont utilisées. Par conséquent, il est souvent utile de les utiliser conjointement pour obtenir une image complète de la performance d'un algorithme de classification.

Maintenant que nous sommes sûrs que notre modèle de Machine Learning est performant, nous pouvons prédire si des patients de la clinique médicale sont susceptibles de tomber malade.

Avec les connaissances que nous avons accumulées, nous pouvons maintenant mettre en place un projet de Machine Learning où nous allons chercher à prédire les performances sportives d'athlètes.

Nous allons dans cette vidéo construire le modèle de Machine Learning qui va nous permettre de prédire les performances sportives d'athlètes.

Nous allons dans cette vidéo analyser les performances de notre modèle de Machine Learning afin de déterminer s'il est pertinent pour prédire les performances sportives des athlètes.

Nous avons vu dans la dernière vidéo que notre modèle de Machine Learning est suffisamment performant pour prédire les performances sportives des athlètes. Nous allons donc dans cette vidéo réaliser des prédictions.

La régression en machine learning est un type d'apprentissage automatique qui permet de prédire une valeur numérique pour un événement donné. Cela signifie que nous pouvons utiliser des données historiques pour prédire une valeur future. Par exemple, nous pouvons utiliser des données historiques sur les prix de l'immobilier pour prédire le prix futur d'une maison.

Dans le cadre de cette section, nous allons chercher à prédire l'espérance de vie moyenne des habitants des pays du monde.

Nous construisons dans cette vidéo le modèle de Machine Learning qui va nous permettre de prédire l'espérance de vie moyenne des habitants des pays du monde.

Maintenant que nous avons construit le modèle de Machine Learning de régression, nous pouvons prédire l'espérance de vie des habitants des pays du monde.

AWS Sagemaker Canvas nous propose une fonctionnalité pour créer différentes versions d'un modèle afin de trouver un modèle optimal, qui offre de meilleures performances que les autres versions.

Merci à vous d’avoir suivi ce cours jusqu’au bout. Cela a été un vrai plaisir de réaliser tous ces projets de Data Science et de Machine Learning avec AWS Sagemaker Canvas avec vous.

Kaggle est un site web qui se consacre à l'apprentissage automatique et à la science des données. Il a été fondé en 2010 et est devenu l'un des sites les plus importants pour les développeurs de machine learning, les data scientists et les ingénieurs de données.

Le site propose en effet de nombreux fichiers de données sur lesquels il est possible de s'entraîner à développer des modèles de machine learning avec AWS Sagemaker Canvas.