Le ML Core Snap Pack accélère la construction, l‘entraînement et le test de votre modèle d‘apprentissage automatique. Avec le ML Core Snap Pack, les scientifiques des données peuvent continuer à travailler dans des environnements Python et Jupyter Notebook tout en profitant de la facilité d‘utilisation, de la vitesse et de la simplicité du glisser-déposer de SnapLogic. Les capacités AutoML sont intégrées dans le ML Core Snap Pack pour permettre aux data scientists de construire leurs propres modèles d‘apprentissage automatique avec un minimum d‘effort. Le ML Core Snap Pack vous permet de
- Entraînez, testez et validez rapidement votre modèle à l‘aide d‘une interface visuelle de type "glisser-déposer".
- Tirer parti d‘algorithmes de ML de pointe basés sur des bibliothèques open source matures.
- Exécuter des scripts Python à distance pour exploiter des bibliothèques telles que TensorFlow, Keras et autres.
- Réduire le codage manuel pour les tâches routinières et non stratégiques du cycle de vie de l‘apprentissage automatique.
- Affinez et répétez votre modèle plus rapidement.
Le ML Core Snap Pack comprend les snaps suivants :
Validation croisée - Classification : Validation croisée des modèles de données de classification à l‘aide d‘algorithmes et choix du meilleur algorithme possible pour l‘ensemble des données.
Cross-Validator - Régression : Validation croisée des modèles de données de régression à l‘aide d‘algorithmes et choix du meilleur algorithme possible pour l‘ensemble des données.
Prédicteur - Classification : Prédire les données non étiquetées d‘un ensemble de données de classification à l‘aide d‘un modèle de données.
Prédicteur - Régression : Prédire les données non étiquetées d‘un ensemble de données de régression à l‘aide d‘un modèle de données.
Formateur - Classification : Former/générer un modèle de données pour un ensemble de données de classification à l‘aide d‘algorithmes.
Formateur - Régression : Former/générer un modèle de données pour un ensemble de données de régression à l‘aide d‘algorithmes.
Script Python à distance : Exécuter des scripts Python à distance sur le serveur Python.
AutoML : Automatisez le processus de formation d‘une large sélection de modèles d‘apprentissage automatique candidats en fournissant des entrées minimales.
Regroupement : Effectuer une analyse exploratoire en identifiant les groupes cachés dans les données.
Construire un modèle de régression linéaire par glisser-déposer
Le ML Core Snap Pack permet aux scientifiques des données de configurer des modèles à l‘aide de Snaps, c‘est-à-dire par glisser-déposer. Par exemple, le Predictor - Regression Snap intègre plusieurs algorithmes de prédiction de pointe (par exemple, un algorithme de régression linéaire). Si un scientifique des données veut construire un modèle de régression linéaire, il peut le faire simplement en faisant glisser ce Snap sur le canevas du concepteur de SnapLogic. Cela minimise la quantité de code que vous devez effectuer lors de la création de votre modèle ML.
Les ML Snap Packs sont inclus dans SnapLogic Data Science, une extension de la plate-forme d‘intégration intelligente qui offre une approche visuelle par glisser-déposer pour développer et déployer des modèles d‘apprentissage automatique. Découvrez nos autres ML Snap Packs : ML Data Preparation Snap Pack et ML Analytics Snap Pack.
Pour en savoir plus sur le ML Core Snap Pack, consultez le billet de blog " SnapLogic November 2018 Release : Révolutionnez votre entreprise grâce à l‘intégration intelligente."
