Bienvenue sur la chaine Edge-ML TV !

Cette chaîne présente des vidéos pédagogiques sur la solution Edge-ML. Elle s'adresse aux Data-Scientists et Data-Engineers, mais aussi aux responsables Métiers, au Marketing et aux décideurs. Les contenus sont flèchés selon 3 catégories, pour mieux s'adresser aux différents publics.

Icone video mathMathématiques et algorithmie

Icone video techniqueTechnique et mise en oeuvre

Icone video usageApplications et cas d'usages


Icone video math

Icone video usage

Introduction à l'auto-ML EDGE-ML (vidéo 1/4)

Les approches d'auto-ML classiques automatisent les bonnes pratiques des Data Scientists : elles testent un grand nombre de modèles et sélectionnent le plus précis.
Edge-ML propose une véritable rupture grâce à l'approche MODL qui permet de produire simplement des modèles performants, et dont la robustesse est garantie.

Icone video math

Discrétisation et groupage supervisés (vidéo 2/4)

Cette vidéo présente les approches mathématiques (MODL) mises en oeuvre par Edge-ML dans la phase de pré-traitement des données :

  • Discrétisation supervisée des variables numériques
  • Groupage supervisé des modalités des variables catégorielles
  • Filtrage robuste des variables non corrélées à la cible

Ces étapes sont le préalable à la construction du classifieur ensembliste qui sera présenté dans la vidéo suivante.


Icone video math

Classifieur Bayésien ensembliste (vidéo 3/4)

Cette vidéo présente la suite du pipe automatisé de Machine Learning implémenté par Edge-ML. Le but est de construire un classifieur multi-varié, sans paramètres à optimiser, à partir des prétraitements uni-variés - discrétisation et groupage.

Plus particulièrement, cette vidéo présente 4 leviers d'amélioration du classifieur Naïve Bayes, dans le but de rendre ce modèle beaucoup plus précis sans sacrifier sa robustesse !


Icone video math

Icone video usage

Extraction de règles séquentielles (vidéo 4/4)

Cette vidéo présente l'approche MODL conçue pour la préparation des données séquentielles (ex : textes, sessions web, logs, etc.). L'objectif est d'identifier les sous-séquences du jeu de données permettant de décrire de manière précise et robuste la distribution des classes à prédire.
Cette approche permet d'extraire automatiquement et sans prétraitement des descripteurs à partir de données non-structurées (Auto Features Engineering).