Vue d’ensemble du jeu d’outils Analyse tabulaire et d’entités

Le jeu d’outils Analyse tabulaire et d’entités contient des outils destinés à appliquer les algorithmes de Machine Learning et de Deep Learning aux données d’entités ou tabulaires.

L’outil Entraîner à l’aide d’AutoML utilise le Machine Learning automatisé (AutoML) pour entraîner et optimiser les modèles de Machine Learning en fonction des données d’entraînement et des ressources de calcul disponibles. Les modèles entraînés peuvent être utilisés dans l’outil Prévoir à l’aide d’AutoML afin de prévoir des variables catégorielles (classification) et des variables continues (régression).

L’entraînement des modèles de Machine Learning (ML) constitue généralement un processus complexe exigeant des connaissances spécialisées sur différents types de modèles et sur les modalités de perfectionnement de leurs paramètres (appelés hyperparamètres) pour obtenir les meilleurs résultats. Il s’agit d’un processus itératif impliquant plusieurs essais afin d’obtenir un modèle précis et des hyperparamètres appropriés. Les outils AutoML automatisent ce processus sans le moindre code. Ils offrent ainsi une visibilité totale sur les performances et les hyperparamètres des modèles entraînés, et indiquent les entités ayant l’incidence la plus forte sur les résultats du modèle.

Outils dans le jeu d’outils Analyse tabulaire et d’entités

Outil	Description
Prévoir à l’aide d’AutoML	Prévoit des variables continues (régression) ou des variables catégorielles (classification) sur des jeux de données compatibles cachés à l’aide d’un modèle .dlpk entraîné produit par l’outil Entraîner à l’aide d’AutoML.
Entraîner à l’aide d’AutoML	Entraîne un modèle de Deep Learning en créant des pipelines d’entraînement et en automatisant une grande partie du processus d’entraînement. Cela inclut l’analyse des données exploratoires, la sélection des entités, l’ingénierie des entités, la sélection des modèles, l’optimisation des hyperparamètres et l’entraînement des modèles. Sa sortie comprend des mesures de performances du meilleur modèle sur les données d’entraînement, ainsi que le paquetage de modèle de Deep Learning entraîné (.dlpk) utilisable comme entrée de l’outil Prévoir à l’aide d’AutoML pour faire une prévision sur un nouveau jeu de données.