Auto-ML
@CA
Automatisation:
- Nettoyage des données
- Optimisation modele
MLBox (pipeline)
(DS) Classification+Regression Script Python Simplifie gagnant en precision
lecture des types de fichier detection tache(Classification/Regression) feature engineering validation
=> pipeline optimal
importance feature detection leak
python 2.7, Linux MLBox
Detection de drift P(x,y)=P(x)P(y|x) Mauvais hypothese: les données suivent meme distribution. => P(x)
train/test set ensemble greedy => enlever les vars instable pas important
EDGE-ML (no grid-search) 1600h 3.5an
(informaticien, pas besoin de base de math) Classification 1 ligne de commande/ wrapper Python robustess
chercher les mots lier a classe
interpretation des features ranking des meilleurs models(MLBox pret) integrer des projets existants sklearn pipeline
column => Categorial entity embedding
nn pour apprendre cette representation coding des vars => couche(constant/propotionnel, pour scalable)=>output(lable/variable context)
eg. marque embedding trier les marques par energie
HomeSite => prix immobilier est sligne avec le marché?
pourquoi pas besoin de gridsearch? Rasberry2 + C++
RandomForest AI base
discretisation, groupage
MODL(minimun optimized description length), 29 juin, webinar
courbe montre estimer distribution de classe
couleur de champignon => danger? regrouper les couleur pour chaque groupe meme distribution danger
| ArgMax P(M | D)=P(M)P(D | M)/P(D) |
definir famille modele P(M) toujours hierarchique critere de selection: -log(P(M|D)) minimise
choix nb d’interval+position d’interval vraisemblance: ce model decrit bien nos données?(permutation des var/label entre les individus)
equilibre entre les deux(underfitting+overfitting at same time)
advantage de non-grid search:
- gagner du temps
- economiser materiel
detection du drift pas d’hypothese sur distribution
detection spam/non-spam sms feature(mot) => proba de spam techno dispo fin sept.
liberer potentiel des données