Accueil / Machine Learning H2O

Machine Learning H2O

Durée : 3 jours
Tarif Inter : 1700 €
Tarif sur mesure : Nous consulter
Référence : 4MH2

  • Partagez sur
  • Téléchargez en
  • Inscrivez vous
Programme Public & Pré-requis Organisation

Présentation

Cette formation vous permettra Maîtriser les concepts fondamentaux de H2O – une plateforme d’apprentissage profond précise, rapide et évolutive. Construisez autant de modèles que vous le souhaitez et comparez les résultats pour trouver le meilleur. Soyez prêt à déployer des applications intelligentes avec un effort de codage minimal en exploitant les modèles ML intégrés.

Objectifs

  • Installer et configurer H2O pour travailler avec R, Python et les fournisseurs Cloud
  • Acquérir une compréhension approfondie des modèles d’apprentissage automatique intégrés et de l’accès à leur utilisation.
  • Savoir utiliser les fonctionnalités H2O via les APIs pour créer et entrainer plusieurs modèles sur un seul nœud ou dans un cluster
  • Former un modèle linéaire généralisé, installer et utiliser des modèles généralisés de bas rang H2O
  • Charger, entraîner, évaluer les performances du modèle avec Storm et H2O pour la prédiction en temps réel
  • Fournir des modèles évolutifs pouvant fonctionner sur des ensembles de données complexes et volumineux

Programme

  1. Introduction

    • La Data Science
    • H2O
    • Construire une application plus intelligente
    • Combiner les applications et les modèles
    • Déployer les modèles en production
  2. Installer H2O

    • Télécharger et décompresser le paquet H2O
    • Installer H2O à partir de R
    • Installer H2O à partir de Python
    • H2O Quickstart avec R
    • Intégration de H2O au Cloud
  3. Deep Learning

    • Le paquet H2O pour R
    • Démarrer H2O
    • Limites des décisions
    • Le Cover Type Dataset
      • Analyse exploratoire des données
      • Le modèle Deep Learning
      • Recherche par hyper-paramètres
      • Les points de contrôles (Checkpointing)
      • Validation croisée
      • Sauvegarde et chargement du modèle
  4. Régression et classification binaire

  5. Détection d’anomalies non supervisée

  6. GBM & Random Forest

    • Arbres de décision
    • Les Random Forest
    • Machines à gradient renforcé (Gradient Boosted Machines)
    • Mise en œuvre de H2O
  7. Modèle linéaire généralisé (GLM)

    • Les Cover Type
    • Modèle multinomial
    • Modèle binomial
  8. Modèles généralisés de rang inférieur (MRLR)

    • Introduction
    • Exemple de construction d’un modèle de base
    • Représentation par coordonnées (x,y) les caractéristiques archétypales
    • Imputation des valeurs manquantes
  9. Exemple de Ruche (Hive) UDF et POJO (Java Plain Old Java Object)

    • Chargement des données d’apprentissage et de test
    • Créer les modèles
    • Exporter le meilleur modèle en POJO
    • Compiler le modèle H2O comme partie intégrante du projet UDF
    • Copier l’UDF dans le cluster et le charger dans la ruche
    • Le Score avec votre UDF
  10. L’Ensemble Learning

    • La méthode Bagging
    • La méthode Boosting
    • Empiler des Learners
    • Installer H2O Ensemble
    • Démonstration avec le dataset Higgs
    • Démarrer le cluster H2O
    • Charger les données dans le cluster H2O
    • Préciser le Base Learner & le Metalearner
    • Entrainer un Ensemble
    • Évaluer la performance des modèles
    • Prédire
  11. Streaming : Prévisions en temps réel avec H2O sur Storm

    • Installation des logiciels nécessaires
    • Discussion sur les données
    • Utilisation de R pour construire un modèle de GBM dans H2O
    • Exporter le modèle GBM en POJO
    • Copie des fichiers POJO générés dans un environnement de construction Storm Bolt
    • Compiler Storm et construire les Bolts pour le modèle
    • Faire fonctionner une topologie Storm avec votre modèle déployé
    • Regarder les prévisions en temps réel
Formations à distance
En inter et en intra entreprise

Contactez-nous :
training@softeam.fr
+33 (0)6 07 78 24 18
Prochaines dates

A distance

Du 01 au 03 février 2021
Du 22 au 24 mars 2021
Du 06 au 08 avril 2021
Du 17 au 19 mai 2021
Du 21 au 23 juin 2021
Du 26 au 28 juillet 2021
Du 09 au 11 août 2021

Demande de renseignement