Apprentissage automatique sans code avec IBM Watson AutoAI

1. Introduction: Bien que l'IA et l'apprentissage automatique soient beaucoup plus accessibles de nos jours, il est encore difficile de devenir suffisamment qualifié pour construire des modèles d'IA et d'apprentissage automatique décents. Auto, ouais, Auto ML et de nouveaux outils qui fournissent des méthodes et des procédures pour rendre l' intelligence artificielle et l'apprentissage automatique disponibles pour les non-experts. Ces outils vous permettent de fournir les données de formation en entrée et de recevoir un modèle optimisé en sortie. C' est aussi simple que ça. Dans cette série de conférences vidéo, je vais vous présenter Auto EA by IBM Watson, qui est l'une des meilleures solutions existantes qui vous permettent de construire des modèles d'apprentissage automatique sans aucun codage. Je m'appelle Enigma, et je serai votre instructeur pour ce cours. Ce cours est conçu pour ceux qui veulent suivre un raccourci vers l'intelligence artificielle et l'apprentissage automatique sans flèche de codage. Jetons un coup d'oeil au contenu du cours. abord, se familiariser avec le cloud computing, services IBM Cloud, l'intelligence artificielle et l'apprentissage automatique. Ensuite, nous allons comprendre ce qui est automatique AAA et comment cela fonctionne. Enfin, il va créer et déployer vos premiers modèles Machine Learning à l'aide de jeux de données réels. Alors commençons. J'espère que vous apprécierez ce cours. 2. Introduction à IBM Cloud: Dans cette section, je vais vous présenter brièvement IBM Cloud. Commençons donc par le cloud computing. Cloud Computing est la fourniture à la demande de ressources informatiques sur Internet. Avec la tarification à l'utilisation, vous ne payez généralement que pour les services Cloud que vous utilisez, ce qui réduit vos coûts d'exploitation. L' informatique en nuage est un grand changement par rapport à la méthode traditionnelle. Les entreprises pensent aux ressources informatiques. Les entreprises sont transformées en services d'informatique en nuage parce que l'informatique en nuage élimine les dépenses d'investissement liées à l'achat de matériel et de logiciels et à la mise en place de centres de données à côté. Deuxièmement, les services de cloud computing fonctionnent sur un réseau de centres de données, qui a systématiquement mis à niveau vers la dernière génération de matériel informatique rapide et efficace. De plus, de nombreux fournisseurs de cloud offrent un ensemble de politiques, de technologies et de contrôles qui protègent les données contre les menaces potentielles. De nos jours, il existe de nombreuses entreprises qui offrent des services appelés, et la plupart d'entre elles sont très fiables. Les cinq principaux fournisseurs de services Cloud sont Amazon Web Services, IBM Cloud, Microsoft Azure, Google Cloud Platform et Adobe Creative Cloud. Outre les services de stockage, de mise en réseau et de traitement, ces fournisseurs proposent d'autres solutions, telles que les bases de données, l'intelligence artificielle, analyse de données et les infrastructures sans serveur. L' informatique en nuage est également classée en trois modèles de prestation de services. Infrastructure en tant que service, plateforme en tant que service et logiciel en tant que service. L' infrastructure en tant que service contient les blocs de construction de base pour le cloud. C' est ça. Il fournit généralement un accès aux fonctionnalités réseau, ordinateurs et à l'espace de stockage de données. Platform as a Service vous évite de devoir gérer infrastructure de soulignement et vous permet de concentrer sur le déploiement et la gestion de vos applications. Un autre concept qui vient avec pass est l'idée de serverless. Alors que le fournisseur de services cloud gère une infrastructure évolutive qui utilise les ressources en fonction de la demande. Software as a Service vous fournit un produit complet qui est exécuté et géré par le fournisseur de services. modèle Saas est le plus reconnaissable par le grand public. Beaucoup d'utilisateurs interagissent avec les applications SaaS sans le savoir. Généralement, les applications SaaS sont Gmail, Outlook, Google Drive et Dropbox. IBM Cloud offre à la fois des fonctionnalités de plateforme en tant que service et d'infrastructure en tant que service pour la création, exécution et la gestion d'applications. IBM Cloud Platform offre une large gamme de services pour sécuriser, stocker, servir et analyser les données. Était développeurs de cloud IBM peuvent se concentrer sur la construction une excellente expérience utilisateur avec des options de calcul flexibles, le choix des accords DevOps et l'ensemble puissant d'API et de services IBM et tiers. La plateforme IBM Cloud est composée de plusieurs composants qui fonctionnent ensemble. Robots, consoles qui servent de front-end pour la création, affichage et la gestion de vos ressources cloud. Et un composant de gestion des identités et des accès qui authentifie en toute sécurité les utilisateurs et contrôle l'accès aux ressources dans le Cloud IBM. Un catalogue composé de centaines d'offres de cloud IBM. Une recherche dans le mécanisme de balisage pour le filtrage et l'identification de vos ressources. Et enfin, un compte et un système de gestion de factures qui fournit une utilisation exacte pour les plans de tarification, une protection sécurisée contre la fraude par carte de crédit. Watson est la solution IBM pour les services, les applications et l'outillage IA prêts à l'emploi pour l'entreprise. Et l'IA externe est l'un des outils du studio Watson. 3. Introduction à l'intelligence artificielle: L' intelligence artificielle et l'apprentissage automatique sont aujourd'hui deux sujets très chauds. Les experts affirment que ces technologies vont révolutionner le monde. Intelligence artificielle, satellites, moyens de construire des programmes intelligents et machines intelligentes capables d'exécuter des tâches qui nécessitent généralement l'intelligence humaine. L' intelligence artificielle a un large éventail de façons de l'appliquer. Des chatbots à l'analyse prédictive, des systèmes de reconnaissance. Véhicules autonomes. Ai est généralement divisé en deux catégories. Nous KI, qui est axé sur un problème particulier. Et une IA forte qui se concentre sur le développement intelligence capable de gérer n'importe quelle tâche ou problème dans n'importe quel domaine. Se concentre fortement sur la création de machines intelligentes qui peuvent accomplir avec succès n'importe quelle tâche intellectuelle qu'un être humain peut. Et cela se résume à trois aspects. abord, la capacité de généraliser les connaissances d' un domaine à un autre, de prendre les connaissances d'un domaine et de les appliquer ailleurs. Deuxièmement, la capacité de faire des plans pour l'avenir sur la base des connaissances et de l'expérience. Enfin, la capacité de s'adapter à l'environnement au fur et à mesure des changements. D' un autre côté, nous nous soucions est bon pour accomplir une tâche particulière, mais cela ne passera pour l'homme dans aucun autre domaine en dehors de ses capacités définies. Exemples de plus faibles dans les technologies telles que la reconnaissance d'image et de parole ou les chatbots IA. L' un des exemples les plus célèbres d'IA faible est Deep Blue. Deep Blue était un ordinateur de jeu d'échecs développé par IBM. En 1997. Deep Blue a fait l'histoire en tant que premier ordinateur à battre le champion du monde Garry Kasparov dans un match de six matchs sous contrôle du temps standard. Garry Kasparov est un grand maître d'échecs russe que beaucoup considèrent comme le plus grand joueur d'échecs de tous les temps. Quand Deep Blue a pris le dessus en remportant le match final, Kasparov a refusé de le croire. Le bleu a utilisé une force brute ou une approche exhaustive de recherche. Le bleu est capable d'examiner 200 millions de coups par seconde, soit 50 milliards de positions dans les trois minutes allouées pour un seul coup dans un jeu d'échecs. Un autre exemple célèbre de wiki est AlphaGo. J' ai oublié, est un programme informatique qui joue le jeu de société Go. Il a été développé par DeepMind Technologies, qui a ensuite été acquis par Google. Go est connu comme le jeu classique le plus difficile, PA, l'intelligence artificielle. En raison de sa complexité. Il est pratiquement impossible de calculer tous les mouvements possibles dans ce jeu. Alphago est le premier programme informatique à vaincre un joueur professionnel de Go. Ifa va algorithme utilisé une combinaison de l'apprentissage automatique et des techniques de recherche. Combiné avec une formation approfondie, à la fois du jeu humain et informatique. L' intelligence artificielle est devenue aujourd'hui une partie cruciale de la vie humaine quotidienne. Chaque fois que vous effectuez une recherche Google, parcourez book_id en ligne, recevez une recommandation de produit d'Amazon ou ouvrez votre fil d'actualités Facebook. Ai se cache en arrière-plan. Aaa est au cœur de la Première Révolution Industrielle, qui modifiera fondamentalement notre façon de vivre et de travailler. Cela nous affectera tous. Elles influencent toutes profondément l'avenir du travail et votre carrière. Par conséquent, peu importe l'industrie dans laquelle vous êtes. 4. Introduction à l'apprentissage automatique: L' apprentissage automatique est un sous-ensemble de l'IA. En d'autres termes, tout l'apprentissage automatique est l'intelligence artificielle, mais tout l'intelligence artificielle n'est pas l'apprentissage automatique. L' apprentissage automatique offre aux systèmes la possibilité d' apprendre et d'améliorer automatiquement à partir de l'expérience sans être explicitement programmé. Deep Learning est un sous-ensemble de l'apprentissage automatique dans lequel les réseaux neuronaux artificiels s'adaptent et apprennent à partir de vastes quantités de données. Deep Learning sera également discuté plus tard dans cette vidéo. L' apprentissage automatique utilise une variété d'algorithmes qui apprennent de manière itérative des données pour améliorer les données du scribe et prédire les résultats. Un modèle d'apprentissage automatique est la sortie générée lorsque vous entraînez votre algorithme d'apprentissage automatique avec des données d'entrée. Après l'entraînement, vous recevrez une prédiction. L' apprentissage automatique est désormais essentiel pour créer des modèles d'analyse. Beaucoup des algorithmes d'apprentissage automatique largement utilisés sont ancrés dans l'analyse statistique classique. Les scientifiques des données combinent le Manoj à l'expertise en mathématiques, en statistique et en informatique pour utiliser toutes les disciplines en collaboration, quelle que soit la combinaison des capacités et de la technologie utilisées pour prédire les résultats. essentiel d'avoir une compréhension du problème de l'entreprise et des haricots s'en vont. On ne peut s'attendre à obtenir de bons résultats en se concentrant uniquement sur les statistiques sans tenir compte de l'aspect commercial. Fondamentalement, vous pouvez considérer l'apprentissage automatique comme un outil pour résoudre votre problème d'entreprise. Selon la nature du problème commercial abordé. Il existe différentes catégories d'apprentissage automatique, comme l'apprentissage supervisé, l'apprentissage non supervisé, l' apprentissage renforcé, les réseaux neuronaux et l'apprentissage profond. La plupart de l'apprentissage automatique pratique utilise l'apprentissage supervisé. C' est ce qu'on appelle l'apprentissage supervisé parce que le processus d'un algorithme tiré de l'ensemble de données de formation peut être considéré comme un enseignant qui supervise le processus d'apprentissage. Nous connaissons les bonnes réponses tandis que l'algorithme fait itérativement des prédictions sur les données d'entraînement. Et cela corrigé par le professeur. processus d'apprentissage s'arrête lorsque l'algorithme atteint un niveau de performance acceptable. En général, l'apprentissage supervisé se produit lorsqu'un système reçoit un jeu de données étiqueté avec des variables d'entrée et de sortie. Et le modèle doit apprendre comment ils sont liés. L' objectif est de produire un modèle précis qui peut prédire la sortie lorsque la nouvelle entrée est donnée. Dans ce cours, nous nous concentrerons principalement sur l'apprentissage supervisé parce que c'est la forme la plus utilisée dans la pratique de l'apprentissage automatique et s'est avérée être un excellent outil dans de nombreux domaines. Les problèmes d'apprentissage supervisés peuvent être regroupés en problèmes de régression et de classification. Lorsque l'étiquette est continue, il s'agit de régression. Lorsque les données proviennent d'un ensemble fini de valeurs, c'est la classification. apprentissage non supervisé est le mieux adapté lorsque le problème nécessite une quantité massive de données non étiquetées. La compréhension de la signification de ces données nécessite des algorithmes capables de classer les données en fonction des modèles ou des clusters qu'elles trouvent. Par conséquent, l'apprentissage supervisé mène un processus itératif d'analyse des données sans intervention humaine. L' apprentissage du renforcement est le modèle d'apprentissage comportemental. L' agent apprend à atteindre un objectif dans un potentiel incertain, un environnement complexe. Dans l'apprentissage du renforcement. Et l'intelligence artificielle fait face à une situation qui ressemble à un jeu. L' ordinateur impose des essais et des erreurs pour trouver une solution au problème. Aa obtient des récompenses ou des pénalités pour les actions qu'il effectue, et son but est de maximiser la récompense totale. Les applications les plus courantes de l'apprentissage du renforcement, nos robots et bateaux IA dans les jeux vidéo. Deep Learning est un sous-domaine de l'apprentissage automatique concerné par ses algorithmes inspirés par la structure et la fonction du cerveau humain appelés réseaux neuronaux artificiels. L' apprentissage profond est particulièrement utile lorsque vous essayez d'apprendre des modèles à partir de données non structurées. Les réseaux neuronaux complexes sont conçus pour imiter le fonctionnement du cerveau humain. Ainsi, les ordinateurs peuvent être formés pour traiter les abstractions et les problèmes mal définis. Un réseau neuronal se compose de trois couches ou plus. Une couche en entrée, une ou plusieurs couches cachées et la couche en sortie, les données sont ingérées via la couche en entrée. Ensuite, les données sont modifiées dans la couche cachée et les couches en sortie en fonction des pondérations appliquées à ces nœuds. Le terme « deep learning » est utilisé lorsqu'il y a plusieurs couches cachées dans un réseau neuronal. À l'aide d'une approche itérative, un réseau neuronal s'ajuste et fait des interférences en permanence jusqu'à ce qu'un point d'arrêt spécifique soit atteint. réseaux neuronaux et l'apprentissage profond sont souvent utilisés dans les applications de reconnaissance d'images, de reconnaissance vocale et de vision par ordinateur. 5. Qu'est-ce que AutoAI/AutoML? ?: Il y a des tonnes de cours et de manuels bien écrits disponibles en ligne qui donnent une bonne introduction à l'intelligence artificielle et à l'apprentissage automatique. Et une fraction du coût. Il existe d'innombrables frameworks qui facilitent la création et le déploiement de modèles. Il est maintenant possible d'utiliser un modèle existant avec une compréhension de base de l'algorithme et des quelques lignes de code. Cependant, l'intelligence artificielle et l'apprentissage automatique sont encore difficiles lors de la mise en œuvre de modèles existants pour bien fonctionner pour votre nouvelle application. La bonne nouvelle est que intelligence artificielle et l'apprentissage automatique sont devenus encore plus accessibles. En outre, l'IA et la ML visent à éliminer le besoin de spécialistes des données qualifiés pour construire des modèles. De bons chercheurs de données combinent le Manoj, dont l'expertise en masse, statistique et en informatique. Pour l'instant, il est pratiquement impossible de remplacer les connaissances principales par des systèmes automatisés. Mais il est maintenant possible d'automatiser un grand nombre de la tâche compliquée et fastidieuse. L' apprentissage automatique, comme l'optimisation des hyperparamètres, sélection des modèles, la sélection des fonctionnalités, etc. Fondamentalement, tout sauf les connaissances principales peut être automatisé. Auto AI et ML sont de nouveaux outils qui vous permettent de fournir les données d'entraînement en entrée et de recevoir un modèle optimisé en sortie. Existe dans les solutions d'IA automatique et d'athéromes comme IBM Watson, IA automatique permet à tout le monde de construire et de déployer des modèles optimisés sans avoir à être un pro de la science des données. 6. IBM AutoAI: Bien que EIA soit un outil graphique dans IBM Watson studio qui analyse automatiquement vos données et génère des modèles d'apprentissage automatique pour votre problème. Actuellement, l'AAA automatique résout les problèmes liés à la classification et à la régression. Ce type de problèmes, j'ai le cœur de nombreuses initiatives de science des données. En utilisant auto yea, vous pouvez créer et déployer un modèle d'apprentissage automatique sans codage. abord, vous devez fournir des données de ligne dans un fichier CSV. Ensuite, l'IA auteur vous aide à préparer nos données pour l'apprentissage automatique. Sélectionne automatiquement les meilleurs algorithmes, effectue l'optimisation des hyperparamètres et l'ingénierie des entités. En sortie, vous obtenez un modèle optimisé que vous pouvez enregistrer et déployer. Passons en revue les étapes plus en détail. La plupart des jeux de données contiennent des formats de données différents et des valeurs manquantes, mais les algorithmes d'apprentissage automatique standard fonctionnent avec des nombres et aucune valeur manquante. Alto AAA vous aide à analyser, nettoyer et préparer vos données de ligne. Il détecte et catégorise automatiquement les entités en fonction du type de données, telles que catégorielles ou numériques. Selon la catégorisation, IA automatique effectue l'imputation de la valeur manquante, avec codage et mise à l'échelle des fonctionnalités pour vos données. Ensuite, l'IA automatique sélectionne automatiquement les meilleurs algorithmes pour votre problème. Ici vous pouvez voir la liste des algorithmes par défaut utilisés pour la sélection automatique des modèles, pour les problèmes de classification et de régression. L' ingénierie d'entités tente de transformer les données en entrée dans la combinaison d' entités qui représente le mieux un problème pour obtenir la prévision la plus précise. Une caractéristique est une propriété individuelle mesurable ou caractéristique d'un phénomène observé. Une partie de l'art de choisir des entités consiste à choisir un ensemble minimum de variables indépendantes qui expliquent le problème. Bien que l'EIA effectue l'ingénierie automatique des fonctions en utilisant l'apprentissage du renforcement pour maximiser la précision du modèle. Tous les modèles d'apprentissage automatique ont des paramètres, c'est-à-dire les poids de chaque variable du modèle. étape d'optimisation de l'hyperparamètre affine les pipelines de modèle les plus performants. Ces pipelines de modèle sont affichés dans un classement classé en fonction de votre objectif d'optimisation des problèmes. Vous pouvez commencer à utiliser le yay automatique gratuitement avec le plan de vie du cloud IBM Watson Studio, qui comprend 50 unités de capacité par mois. Vous pouvez consulter tous les plans de tarification pour IBM Watson studio en suivant ce lien. 7. Créer un compte IBM Cloud: Dans cette vidéo, je vais vous montrer comment créer un compte IBM Cloud et activer les services Watson. Tout d'abord, vous devez suivre ce lien, www.ibm.com slash cloud. Ensuite, nous appuyons sur l'inscription ou la connexion. Ici, nous tapons notre adresse e-mail, puis choisissons un mot de passe. Après vérification par e-mail et fournir des informations personnelles. Vous pourrez vous connecter. Puisque j'ai déjà un compte, je vais simplement me connecter en utilisant mon adresse e-mail. Continuer la connexion. Une fois connecté, vous verrez votre IBM Cloud. Il y a un livre. Afin d'activer Watson studio va aller au catalogue et rechercher Watson studio. Beaucoup de studio. Ici, c'est. Maintenant, nous pouvons sélectionner une région et le plan de tarification. Choisissons Londres. Et l'ampoule, qui est offerte gratuitement. Vous pouvez également modifier le nom du service. Mais je vais le laisser tel qu'il est créé. Et c'est tout. 8. Problèmes de classification: La classification et la régression sont deux types d'apprentissage automatique supervisé. Fondamentalement, la classification consiste à prédire la classe. Les classes sont parfois appelées cibles, étiquettes ou catégories. Et la régression consiste à prédire une quantité. Dans l'apprentissage automatique et les statistiques. classification est le problème qui consiste à identifier à quelle catégorie ou classe une nouvelle observation appartient. Il existe deux types de classification basés sur le nombre de classes prévues. La classification binaire fait référence aux tâches de classification qui ont deux étiquettes de classe. Et la classification multiclasse fait référence à ceux qui ont plus de deux étiquettes de classe. Typiquement, la classification binaire implique une classe qui est l'état normal, et un autre coût qui est un état anormal. La classe était un état normal, se voit attribuer l'étiquette de classe 0. Et la classe était l'état anormal est attribué l'étiquette de classe. Un. Des exemples de problèmes de classification binaire incluent le filtrage du spam. Est-ce que cet e-mail est un spam ou non ? Pour la détection ? Cette transaction est-elle légitime ou non ? Et des tests médicaux pour déterminer si un patient a une certaine maladie ou non. Contrairement à la classification binaire, classification multiclasse n'a pas la notion d'états normaux et anormaux. Au lieu de cela, les exemples sont classés comme appartenant à l'une des classes multiples. Dans cette section du cours, je vais vous montrer comment construire un modèle de classification binaire en utilisant auto AAA. Mais avant d'en construire un, nous devons comprendre comment évaluer la performance du modèle. 9. Les indicateurs de classification: Évaluer dans les modèles d'apprentissage automatique est essentiel pour tout projet. Les mesures d'évaluation sont utilisées pour mesurer. Supposons qu'il y ait un modèle d'apprentissage automatique. L' utilisation de mesures d'évaluation est essentielle pour garantir que votre modèle fonctionne correctement et de manière optimale. Il existe de nombreux types de mesures différents pour tester le modèle de classification. Il est très important d'utiliser plusieurs mesures pour évaluer votre modèle. Parce qu'un modèle peut donner de bons résultats en utilisant une mesure d'une mesure d'évaluation, mais qu'il peut fonctionner mal en utilisant une autre mesure provenant d'une autre mesure d'évaluation. Dans l'AAA automatique, chaque pipeline modal est évalué pour une variété de mesures. La mesure de classement par défaut pour les modèles de classification binaire est la zone sous la courbe ROC. Et pour les modèles de classification multi-classes est la précision. Examinons les métriques populaires utilisées dans les problèmes de classification. La matrice de confusion est l'un des outils les plus intuitifs et les plus faciles pour trouver l'exactitude et la précision du modèle. La matrice de confusion elle-même n'est pas une mesure de performance en tant que telle. Mais presque toutes les mesures de performance sont basées sur métriques de confusion et les chiffres qu'elles contiennent. Vous pouvez voir qu'en cas de classification binaire, les mesures de confusion sont une table avec deux lignes et deux colonnes qui indique le nombre de faux positifs, faux négatifs, de vrais positifs et de deux négatifs. vrais positifs sont les cas où la classe réelle du point de données était un et le prédit est également un. faux positifs sont les cas où la classe réelle du point de données était 0 et Z prédit était un. faux négatifs comme les cas où la classe réelle était un point de données était un et la prévision est 02 négatifs sont les cas où la classe réelle du point de données était 0 et la prévision est également 0. exactitude des problèmes de classification est le nombre de prédictions correctes faites par le modèle sur toutes les prédictions faites. La précision semble être la meilleure méthode. Cependant, la précision ne fonctionne que pour la promesse de classification, qui sont bien équilibrés. Les autres mesures couramment utilisées sont la précision et le rappel. Ces deux mesures de performance sont souvent utilisées conjointement. précision est le nombre d'éléments correctement identifiés comme positifs. le total des éléments, identifiez-le comme positif. Et le rappel est le nombre d'éléments correctement identifiés comme positifs sur le total des vrais positifs. Donc, fondamentalement, si nous voulons nous concentrer davantage sur la réduction des faux négatifs, nous voudrions que notre rappel soit proche de 100 %. Et si nous voulons nous concentrer sur la minimisation des faux positifs, alors nous voudrions que notre précision soit proche de 100 %. Le score F1 est une moyenne pondérée de précision. Et rappelez-vous. Par conséquent, ce score prend en compte à la fois les faux positifs et les faux négatifs. En termes simples, le score F1 maintient un équilibre entre la précision et le rappel. surface sous la courbe ROC indique dans quelle mesure les probabilités des classes positives sont séparées des classes négatives. Auc est la zone sous la courbe ROC. Et la courbe ROC est un graphique montrant la performance d' un modèle de classification à tous les seuils de classification. Vous devez comprendre que notre prévision n'est jamais exactement un ou 0. Au lieu de cela, nous prédisons une probabilité. Typiquement, le seuil de classification est de 0,5 est la probabilité prévue embauche et de 0,5. Notre prévision n'est pas une. Entité est 0, est la probabilité est inférieure à 0,05. mais nous pourrions avoir un seuil de classification plus performant. surface sous la courbe ROC fournit une mesure globale du rendement pour tous les seuils de classification possibles. Elle mesure la qualité de la prévision des modèles quel que soit le seuil de classification choisi. Contrairement au score F1 ou à la précision, qui dépendent du choix du seuil. 10. Problème de classification et Ensemble de données: Dans la prochaine vidéo, nous utiliserons un ensemble de données de l'Institut National du Diabète et des maladies rénales JSON. Il contient des informations sur 768 femmes, dont 268 ont reçu un diagnostic de diabète. Oh, les patients étaient des femmes d'au moins 21 ans d'héritage indien de Pima. L' objectif est de prévoir, de façon diagnostique, si un patient est diabétique ou non. Basé sur certaines mesures diagnostiques incluses dans le jeu de données. Notre modèle devrait être en mesure de prédire si un patient est diabétique ou non. Par conséquent, notre variable dépendante est le diabète. Un représente la présence du diabète et 0 représente l'absence. information disponible comprend huit variables telles que le nombre de grossesses, glucose, l'insuline, h, et cetera. Une description plus détaillée des variables est répertoriée dans le tableau. 11. Classer avec AutoAI [Pratique]: Dans ce tutoriel, nous allons construire et déployer un modèle de classification binaire en utilisant Watson studio. Donc la dernière fois, nous avons créé un compte IBM Cloud Light et activé Watson studio. Maintenant, commençons. Créez un projet. Créez un projet vide. Avant de créer un projet, nous devons ajouter une instance de stockage d'objets, puis revenir à cette page. Cliquez sur Ajouter, allumer, planifier, créer, confirmer. Maintenant, nous devons actualiser cette page. Ici, nous tapons le nom de notre projet. Auto, binaire, classification. Et cliquez sur Créer. Maintenant, pour commencer à construire maintenant modal, cliquez sur Ajouter au projet dans la partie supérieure. Et sélectionnez Auto AAA Experiment. Donnez-lui un nom. Classification binaire. En outre, nous devons associer une instance de service d'apprentissage automatique. Cliquons ici. Encore une fois la lampe de lumière. Pour confirmer. Cliquez sur Recharger. Et maintenant, nous pouvons le créer. Maintenant, vous devez télécharger le fichier CSV à partir de votre ordinateur, cliquez sur Parcourir, et choisissez le fichier. Que voulons-nous prédire ? Nous devons prédire cette colonne. Bien qu'un automatique identifié le type de prédiction classification binaire, classe positive un, et propose d'utiliser une précision métrique. On peut aller dans les paramètres d'expérimentation. Ici, nous pouvons choisir le ratio de fractionnement. Choisissons 90%. Sélectionnez les colonnes à inclure. Nous sélectionnons toutes les colonnes. Cliquez ensuite sur Prédiction, classification binaire, classes positives, une, et optimisez la métrique. Choisissons. Superficie sous la courbe ROC. En outre, nous pouvons choisir le nombre d'algorithmes à inclure. Nous sélectionnons tous les algorithmes et algorithmes à utiliser. Nous pouvons choisir trois, Enregistrer les paramètres et exécuter l'expérience. L' expérience commence alors qu'elle génère les modèles. Il existe deux vues différentes à travers lesquelles vous pouvez visualiser la progression des pipelines en cours de création. La carte de progression et la carte des relations. Donc c'est la carte de progression et c'est une carte de relation. Donc, enfin, l'exécution automatique est terminée. Et sur la carte de progression, vous pouvez voir l'ensemble du processus. Lisez le jeu de données, les données d'attente fractionnées, recyclage, les données, le prétraitement et la sélection de modèles. Ici, nous pouvons voir que Auto EIA a choisi gradient de régression logistique booosant classificateur et classificateur SGB S, algorithmes les plus performants pour ce cas d'utilisation. Vous pouvez également voir tous les 12e pipelines générés. Et vous pouvez les comparer ici en fonction de différentes mesures. Ici vous pouvez voir le classement du pipeline. Le pipeline numéro trois est notre pipeline le plus performant. Ici vous pouvez voir l'évaluation du modèle. C' est notre courbe. courbe Roc mesure la précision, surface sous la courbe ROC, rappel de précision F1 mesure la perte analogique moyenne de précision. Aussi, nous pouvons voir la matrice de confusion. Alors maintenant, sauvegardons ce pipeline de modèle. Enregistrer le modèle S, sûr, modèle sûr avec succès. Maintenant, revenons en arrière et déployons notre modèle. Ici, nous pouvons voir notre modèle. Maintenant, déployons-le. Déploiements. Au déploiement. Le nom du déploiement est sûr. Notre déploiement est prêt. Ouvrons et testons le modèle. Maintenant, nous pouvons tester notre modèle à partir de cette interface. Nous pouvons soit fournir une entrée au format JSON, soit entrer des détails d'entrée dans les champs donnés ici. Par exemple, disons le nombre de grossesses au niveau de glucose AT pression, 60 triceps, 30, insuline 20, IMC, 25, pedigree est de 0,2. Et h, disons 30, prédire. Et nous obtenons une prédiction qui est 0. Donc notre modèle suggère que cette personne n'a pas de diabète. Vous pouvez également voir les probabilités. 12. Analyse de régression: L' analyse de régression est une forme de technique de modélisation prédictive qui étudie la relation entre une variable dépendante et des variables indépendantes. Cette technique est utilisée pour la prévision de la modélisation des séries chronologiques et la détermination de la relation causale des effets entre les variables. Les modèles d'apprentissage automatique pour les problèmes de régression prédisent une valeur numérique. Par exemple, quelle sera la température à Londres demain ? Ou à quel prix cette maison va-t-elle vendre ? L' une des techniques de régression les plus faciles et couramment utilisées. C' est une régression linéaire simple, où nous prédisons le résultat d'une variable dépendante basée sur une variable indépendante. Et nous supposons que la relation entre les variables est linéaire. L' objectif est de trouver la ligne qui correspond le mieux aux données. Cette tâche peut être accomplie en utilisant la méthode des moindres carrés. Il s'agit de la méthode la plus courante utilisée pour ajuster une ligne de régression. Il calcule les flux de ligne les mieux ajustés observés en minimisant la somme des carrés des écarts verticaux entre chaque point de données et la ligne. La formation d'un modèle de régression consiste à améliorer itérativement votre équation de prédiction en répandant plusieurs fois le jeu de données. La formation est terminée lorsque nous atteignons un seuil d'erreur acceptable ou lorsque itérations d'entraînement ultérieures n'ont pas permis d'augmenter la précision. Habituellement, les professionnels ne connaissent que plusieurs types de régression, qui sont couramment utilisés dans le monde réel. Cependant, il existe de nombreux types de modèles de régression que vous pouvez utiliser, chacun avec ses propres avantages et inconvénients. Par conséquent, le choix du modèle de régression optimal peut s'avérer difficile. Aaa sélectionne automatiquement les meilleurs modèles pour votre problème en fonction des différentes mesures pour évaluer les résultats. Dans la prochaine vidéo, nous allons discuter est les mesures de régression les plus largement utilisées. 13. Métriques de régression: Examinons donc les métriques utilisées dans les problèmes de régression, tels que l'erreur moyenne racine au carré ou RMSE et le coefficient de détermination ou r au carré. erreur quadratique moyenne est la mesure la plus utilisée pour les tâches de régression. Et c'est la racine carrée de la différence quadrillée moyenne entre la valeur cible et la valeur prédite par le modèle. Plus il est petit, plus votre modèle est performant. Il est préférable dans certains cas, car les erreurs sont d'abord quadrillées avant la moyenne, ce qui représente une pénalité élevée pour les erreurs importantes. Cela implique que le RMSE est utile lorsqu'il est plus grand, non désiré. Le coefficient de détermination ou r au carré, est une autre mesure utilisée pour évaluer la performance d'un modèle de régression. Le r-squared vous indique dans quelle mesure votre modèle correspond à vos données. L' équation de r-carré peut être décrite comme variance expliquée divisée par la variance totale. Explication de la variance, expliquée par le modèle. Les valeurs R au carré peuvent varier de 0 à un. Et la valeur r-carré de 0 signifie que le modèle n'explique aucune de la variance en y. Et la valeur r-carré d'un signifie que le modèle explique parfaitement toute la variance en Y. Donc, en général, plus le plus proche est la valeur de r au carré de 0. R-carré est à un, mieux le modèle décrit les données saisies. 14. Problème et ensemble de données de Regression: Dans la prochaine conférence, nous allons construire un modèle de régression utilisant l'EIA de l'auteur qui prédit le score SAT basé sur le GPA moyen du lycée. Le SAT est un test largement utilisé pour l'admission à l'université aux États-Unis. Le jeu de données comprend 100 observations. Notre variable dépendante est le score SAT, et la seule variable indépendante est le GPA de l'école secondaire. 15. Régression avec AutoAI [Pratique]: Dans ce tutoriel, nous allons construire et déployer un modèle de régression en utilisant yay automatique. La dernière fois, nous avons créé un projet de classification binaire. Et aujourd'hui, nous allons créer de nouveaux projets de régression. Toutes les étapes sont fondamentalement les mêmes. Allons à mes projets. Et nous allons créer un nouveau projet. Créez un projet vide. Donnons-lui un nom. Régression automatique. Maintenant, à l'expérience automobile du projet, le nom et l'agression. En outre, nous devons associer l'instance de service d'apprentissage automatique. En cliquant ici. Nous choisissons une instance de service existante. Sélectionnez Recharger. Et maintenant, nous avons besoin de télécharger le fichier CSV jeu de données GPA. Que voulons-nous prédire ? Nous devons prédire le score SAT. Cette fois, nous allons utiliser les paramètres par défaut. Le type de prédiction est une mesure optimisée de régression, expérience d'exécution RMSE. Donc l'expérience est terminée. Nous avons généré huit pipelines. Et nous pouvons voir la carte des relations et la carte des progrès. Cette fois auto, oui, choisi pour les algorithmes les plus performants, régression linéaire et la régression d'augmentation de gradient. Et nous avons huit pipelines. Comparons-les, qui ils sont. Et voyons le classement. Nous pouvons voir que le meilleur pipe-line est le pipe-line numéro trois. Choisissons ça. Et ici, nous avons des mesures d'évaluation du modèle, RMSC, R au carré, la variance expliquée, et ainsi de suite. Sauvons ce modèle. Sauver. Et maintenant, nous pouvons le déployer. Régression automatique. Nous choisissons le modèle. Déploiements. Au déploiement. Nom du déploiement. Sauver. Le déploiement est en cours d'initialisation. Et maintenant c'est prêt. Test. Ici, nous pouvons taper dans lycée GPA, par exemple, 3.5. et prédire. Et c'est notre prédiction. Maintenant, essayons un autre GPA. Par exemple, 3.7 prédire. Et c'est notre prédiction. Si le score de 4,0 SAT a augmenté. Et nous pouvons voir que plus haut le GPA a mis en évidence le score prévu SAT.