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

Demande de renseignement