Machine Learning : Comment organiser ses projets ?

Описание: 📝 AMELIOREZ VOS COMPETENCES EN DATA SCIENCE : https://damienchambon.podia.com/email...

Machine Learning : Comment organiser ses projets ?

Comment organiser et gérer son projet de Machine Learning ? Dans cette vidéo en français, je vous propose 6 étapes simples à suivre pour avoir un projet de Machine Learning organisé et efficace. Cette vidéo est recommandée pour ceux qui souhaitent débuter en Machine Learning.

Lorsqu’on débute en Machine Learning, on a souvent tendance à avoir de nombreuses sections de code les unes à la suite des autres, ainsi que de nombreux graphiques, des résultats et parfois des erreurs. Le problème, c’est que quand notre projet de Machine Learning progresse, il peut vite devenir un véritable casse-tête d’organisation. Ceci pose de nombreux soucis. Il est difficile de trouver un graphique ou un modèle de Machine Learning en particulier, à moins de faire défiler tout son code. Lorsqu’on se replonge dans son projet de Data Science, ce n’est pas facile de s’y remettre et on passe beaucoup de temps à le déchiffrer. SI on veut ajouter une fonctionnalité, c’est de plus en plus difficile car le script Python est séquentiel donc chaque section de code dépend des précédentes. Le plus gros problème, c’est qu’avec un projet de Machine Learning peu organisé, vous risquez de ne plus avancer, de vous perdre et même d’abandonner.

En suivant un plan clair avec des étapes simples à suivre, on gagne beaucoup. On est beaucoup plus souple et on peut facilement ajouter des fonctionnalités qui peuvent nous être demandées dans un cadre professionnel par exemple. On peut s’y retrouver facilement et le code est lisible. Surtout, ça nous permet d’avoir des résultats rapidement et des modèles de Machine Learning qui performent plutôt bien. Pour que le plan fonctionne, il faut s’y tenir et être assez strict avec le rôle de chaque section : il ne faut pas faire de la préparation de données dans la phase d’exploration de données. Je vous conseille d’écrire en gros dans votre script Python les phases de votre code comme « Entrainement du modèle de Machine Learning ».

La première étape consiste à importer les données du dataset et vérifier si Python, ou tout autre langage de programmation, a correctement interprété les données. La 2ème étape consiste à explorer les données en faisant des graphiques (histogrammes, matrice de corrélation, etc.) mais aussi avec des indicateurs qualitatifs (médiane, moyenne, etc.). La 3ème étape est celle du nettoyage des données. On fait par exemple du feature engineering, on reformât les données mais sans les préparer pour les algorithmes de Machine Learning. Comme on a probablement créé d’autres données, on peut refaire de l’exploration des données avec des graphiques et indicateurs quantitatifs. Ensuite, on passe à la phase de préparation des données pour les algorithmes de Machine Learning : on fait de la standardisation, on remplit les valeurs manquantes, on fait du one-hot-encoding pour les variables catégorielles. La 5ème étape consiste à entraîner des modèles de Machine Learning et la dernière étape est la phase de test et d’amélioration : on mesure la performance de nos modèles de Machine Learning et on essaye de les améliorer. Chaque étape a son rôle précis et cela permet d’avoir un projet qui peut facilement évoluer et apporter des résultats rapidement.

👋🏼 Qui suis-je ?

Je m'appelle Damien et je suis Data Scientist. Au cours de mes expériences professionnelles, j'ai découvert comment la Data Science et le Machine Learning peuvent résoudre des problématiques business et sociétales.

J'ai formé des dizaines d'étudiants à la Data Science et au Machine Learning en français pour leur permettre de découvrir ces domaines fascinants et les appliquer dans leur vie professionnelle.

💻 Mon site : https://damienchambon.podia.com


Crédits musique : elior & eaup - Ships