Qu’est-ce que le machine learning ?
Qu’est-ce que le machine learning ?
Le machine learning est un type d’intelligence artificielle qui effectue des tâches d’analyse de données sans instructions explicites. La technologie de machine learning peut traiter de grandes quantités de données historiques, identifier des modèles et prédire de nouvelles relations entre des données jusque-là inconnues. Vous pouvez effectuer des tâches de classification et de prédiction sur des documents, des images, des chiffres et d’autres types de données.
Par exemple, une organisation financière pourrait entraîner un système de machine learning pour classer les transactions frauduleuses et authentiques. Le système identifie des modèles dans des données connues pour deviner ou prédire avec précision l’authenticité d’une nouvelle transaction.
Qu’est-ce que le machine learning en termes simples ?
ML est l’abréviation de machine learning, une branche de l’intelligence artificielle (IA) et de l’informatique qui exploite les données et les algorithmes pour permettre aux systèmes d’IA d’apprendre et de s’améliorer tout comme le font les humains, en perfectionnant progressivement leur précision au fil du temps.
Quelle est la différence entre le machine learning et l’intelligence artificielle ?
Bien que les termes machine learning et intelligence artificielle (IA) soient utilisés de manière interchangeable, ils ne sont pas identiques. Le machine learning est l’une des nombreuses branches de l’IA. Si le machine learning relève de l’IA, toutes les activités d’IA ne peuvent pas être appelées machine learning.
L’intelligence artificielle est un terme générique qui désigne différentes stratégies et techniques utilisées pour rendre les machines plus humaines. L’IA englobe tout, des assistants intelligents comme Alexa, des chatbots et des générateurs d’images aux aspirateurs robotisés en passant par les voitures à conduite autonome.
En revanche, les modèles de machine learning effectuent des tâches d’analyse de données plus spécifiques, telles que la classification de documents, l’étiquetage d’images ou la prévision du calendrier de maintenance des équipements d’usine. La technologie de machine learning repose principalement sur les mathématiques et les statistiques, tandis que d’autres types d’IA sont plus complexes.
En savoir plus sur les differences entre machine learning et intelligence artificielle
Quelle est la différence entre le machine learning et le deep learning ?
Le deep learning est une forme spécialisée de machine learning qui utilise des réseaux neuronaux artificiels pour imiter le cerveau humain. Il s’agit d’une technique avancée de gestion des tâches complexes telles que la reconnaissance d’images et la reconnaissance vocale. Le deep learning a jeté les bases des progrès de l’intelligence artificielle générative.
Comment fonctionne le machine learning ?
L’idée fondamentale du machine learning est qu’il existe une relation mathématique entre toute combinaison de données d’entrée et de sortie. Le modèle de machine learning ne connaît pas cette relation à l’avance, mais peut la deviner si un nombre suffisant d’exemples de jeux de données d’entrée-sortie lui sont fournis. Cela signifie que chaque algorithme de machine learning est construit autour d’une fonction mathématique modifiable. Le principe sous-jacent peut être compris comme suit :
- Nous « entraînons » l'algorithme en lui donnant les combinaisons d'entrée/sortie (i, o) suivantes : (2, 10), (5, 19) et (9, 31).
- L'algorithme calcule la relation entre l'entrée et la sortie comme suit : o=3*i+4.
- Nous lui donnons ensuite l'entrée 7 et lui demandons de prédire la sortie. Il peut déterminer automatiquement la sortie comme étant 25.
Bien qu’il s’agisse d’une compréhension de base, le machine learning se concentre sur le principe selon lequel les systèmes informatiques peuvent relier mathématiquement tous les points de données complexes à condition qu’ils disposent de suffisamment de données et de puissance de calcul pour les traiter. Par conséquent, la précision de la sortie est directement liée à l’ampleur de l’entrée donnée. Les phases de machine learning sont indiquées ci-dessous.
Prétraitement des données
Les données brutes sont nettoyées et transformées pour entraîner un modèle de machine learning. Cela implique des tâches telles que le traitement des valeurs manquantes, la normalisation des données selon une échelle commune ou l’encodage de données textuelles dans des formats numériques. Les données peuvent également être augmentées ou manipulées pour améliorer le traitement du cas d’utilisation donné par le modèle. Le prétraitement permet de s’assurer que les données introduites dans le modèle sont pertinentes et structurées de manière appropriée.
Entraîner le modèle
Les données prétraitées sont utilisées pour entraîner l’algorithme de machine learning. L’algorithme essaie d’identifier de manière itérative la corrélation mathématique entre l’entrée et la sortie attendue à partir des données d’entraînement. Le modèle apprend des modèles et des relations dans les données, et encapsule cette connaissance dans ses paramètres. Il ajuste les paramètres afin de minimiser la différence entre ses prédictions et les résultats réels connus dans les données d’entraînement.
Évaluation du modèle
L’objectif est de s’assurer que le modèle peut être généralisé au-delà du jeu de données d’entraînement. Un jeu de données distinct appelé jeu de validation est utilisé à cette fin. Les résultats du modèle sont mesurés à l’aide de différents paramètres et critères de référence. Prenons l’exemple d’un modèle entraîné à identifier des images de fruits tels que des pommes et des bananes placées dans des paniers. L’évaluation vérifie si le modèle peut identifier correctement les mêmes fruits à partir d’images montrant les fruits placés sur une table ou dans la main d’une personne.
Optimisation
L’optimisation consiste à affiner le modèle pour en améliorer les performances. Selon le type de modèle, les scientifiques des données peuvent reconfigurer les processus d’apprentissage ou effectuer une ingénierie des fonctionnalités, qui crée des fonctionnalités d’entrée à partir de données existantes. L’objectif est d’améliorer la précision et l’efficacité du modèle, ainsi que sa capacité à s’adapter à de nouvelles données.
Quels sont les avantages du machine learning ?
Les données constituent le moteur essentiel de la prise de décisions métier. Les organisations modernes génèrent des données à partir de milliers de sources, notamment des capteurs intelligents, des portails clients, des réseaux sociaux et des journaux d’applications. Le machine learning automatise et optimise le processus de collecte, de classification et d’analyse des données. Les entreprises peuvent stimuler leur croissance, débloquer de nouvelles sources de revenus et résoudre des problèmes complexes plus rapidement.
Les avantages du machine learning comprennent :
Amélioration de la prise de décision
Les systèmes de machine learning peuvent traiter et analyser d’énormes volumes de données rapidement et avec précision. Ils peuvent identifier en temps réel des modèles imprévus dans des données dynamiques et complexes. Les organisations peuvent prendre des décisions guidées par les données au moment de l’exécution et réagir plus efficacement à l’évolution des conditions. Ils peuvent optimiser les opérations et atténuer les risques en toute confiance.
Automatisation des tâches de routine
Les algorithmes de machine learning peuvent filtrer, trier et classer les données sans intervention humaine. Ils peuvent résumer des rapports, numériser des documents, transcrire des données audio et étiqueter du contenu, autant de tâches fastidieuses et chronophages pour les humains. L’automatisation des tâches routinières et répétitives permet de réaliser des gains de productivité et des réductions de coûts substantiels. Vous bénéficiez également d’une précision et d’une efficacité améliorées.
Expériences client améliorées
Le machine learning transforme l’expérience client grâce à la personnalisation. Par exemple, les détaillants recommandent des produits aux clients en fonction de leurs achats antérieurs, de leur historique de navigation et de leurs habitudes de recherche. Les services de streaming personnalisent les recommandations de visionnage dans l’industrie du divertissement. L’approche personnalisée augmente la fidélisation des clients et la fidélité à la marque.
Gestion proactive des ressources
Les organisations utilisent le machine learning pour prévoir les tendances et les comportements avec une grande précision. Par exemple, l’analytique prédictive permet d’anticiper les besoins en stocks et d’optimiser les niveaux de stock afin de réduire les frais généraux. Les informations prédictives sont essentielles pour la planification et l’allocation des ressources, car elles permettent aux organisations de devenir plus proactives que réactives.
Amélioration continue
L’un des principaux avantages du machine learning est sa capacité à s’améliorer au fur et à mesure qu’il traite davantage de données. Les systèmes de machine learning s’adaptent et apprennent à partir de nouvelles données. Ils ajustent et améliorent leurs performances pour rester pratiques et pertinents au fil du temps.
Quels sont les cas d’utilisation du machine learning ?
Jetons un coup d’œil aux applications de machine learning dans certains secteurs clés :
Fabrication
Le machine learning peut soutenir la maintenance prédictive, le contrôle de la qualité et la recherche innovante dans le secteur de la fabrication. Il aide également les entreprises à améliorer les solutions logistiques, notamment la gestion des ressources, de la chaîne d’approvisionnement et des stocks. Par exemple, le géant de la fabrication 3M utilise le machine learning pour innover en matière de papier abrasif. Les algorithmes de machine learning permettent aux chercheurs de 3M d’analyser comment de légers changements de forme, de taille et d’orientation améliorent l’abrasivité et la durabilité. Ces suggestions façonnent le processus de fabrication.
Santé et sciences de la vie
La prolifération des capteurs et de dispositifs portables a généré un grand nombre de données sur la santé. Les programmes de machine learning analysent ces informations et aider les médecins à établir un diagnostic et un traitement en temps réel. Les chercheurs en machine learning mettent au point des solutions qui permettent de détecter les tumeurs cancéreuses et de diagnostiquer les maladies oculaires, ce qui a un impact considérable sur la santé humaine. Par exemple, Cambia Health Solutions utilise le machine learning pour automatiser et personnaliser le traitement des femmes enceintes.
Services financiers
Les projets de machine learning dans le domaine financier améliorent l’analytique des risques et la réglementation. La technologie de machine learning permet ainsi aux investisseurs d’identifier de nouvelles opportunités en analysant les mouvements des marchés boursiers, en évaluant les fonds spéculatifs ou en calibrant les portefeuilles financiers. En outre, il peut aider à identifier les clients à haut risque et à atténuer les signes de fraude. Par exemple, NerdWallet, une société de finances personnelles, utilise le machine learning pour comparer des produits financiers tels que les cartes de crédit, les services bancaires et les prêts.
Vente au détail
Le secteur de la vente au détail peut utiliser le machine learning pour améliorer le service à la clientèle, la gestion des stocks, la vente incitative et le marketing entre canaux. Par exemple, Amazon Fulfillment (AFT) a réduit les coûts d’infrastructure de 40 % en utilisant un modèle de machine learning pour identifier les stocks égarés. Cela les aide à tenir la promesse d’Amazon qu’un article sera facilement disponible pour les clients et arrivera à temps, malgré le traitement de millions d’expéditions dans le monde chaque année.
Multimédia et divertissement
Les entreprises de divertissement se tournent vers le machine learning pour mieux comprendre leurs publics cible et proposer des contenus immersifs, personnalisés et à la demande. Les algorithmes de machine learning sont déployés pour aider à concevoir les bandes-annonces et autres publicités, proposer aux consommateurs des recommandations de contenu personnalisées, voire rationaliser la production.
Par exemple, Disney utilise le machine learning pour archiver sa médiathèque. Les outils de machine learning étiquettent, décrivent et trient automatiquement le contenu multimédia, permettant ainsi aux scénaristes et animateurs de Disney de rechercher et de se familiariser rapidement avec les personnages de Disney.
Reconnaissance d’image
La vision par ordinateur est une technologie qui reconnaît automatiquement les images et les décrit avec précision et efficacité. Aujourd’hui, les systèmes informatiques peuvent accéder à de nombreuses images et vidéos à partir de smartphones, de caméras de circulation, de systèmes de sécurité et d’autres appareils. Les applications de vision par ordinateur utilisent le machine learning pour traiter ces données avec précision à des fins d’identification d’objets et de reconnaissance faciale, ainsi que de classification, de recommandation, de surveillance et de détection.
Par exemple, CampSite est une plateforme logicielle de premier plan pour les colonies de vacances. Ces colonies chargent des milliers d’images par jour permettre aux parents de vivre l’expérience de leur enfant. Trouver des photos de leur enfant est devenu une tâche fastidieuse et frustrante pour les parents. CampSite utilise le machine learning pour identifier automatiquement les images et avertir les parents lorsque de nouvelles photos de leur enfant sont chargées.
Quels sont les types d’algorithmes de machine learning ?
Les algorithmes de machine learning peuvent être classés en quatre styles d’entraînements distincts, en fonction de la sortie attendue et du type d’entrée.
Machine learning supervisé
Les scientifiques des données fournissent aux algorithmes des données d'entraînement labélisées et définies pour évaluer les corrélations. Les exemples de données spécifient à la fois l’entrée et la sortie de l’algorithme. L’étiquetage des données est la catégorisation des données d’entrée à l’aide de leurs valeurs de sortie définies correspondantes. Par exemple, des millions d’images de pommes et de bananes devraient être labellisées avec les mots « pomme » ou « banane ». Les applications de machine learning pourraient ensuite utiliser ces données d’entraînement pour deviner le nom du fruit lorsqu’une image de fruit lui est présentée.
Les points forts de l’apprentissage supervisé résident dans sa simplicité et sa facilité de conception. Il est utile pour prédire un ensemble limité de résultats possibles, répartir des données en catégories ou combiner les résultats de deux autres algorithmes de machine learning. Cependant, l’étiquetage de millions de jeux de données non étiquetés relève du défi.
Machine learning non supervisé
Les algorithmes d’apprentissage non supervisé s’entraînent sur des données non étiquetées. Ils parcourent les nouvelles données, en établissant des liens significatifs entre les entrées et les sorties prédéterminées. Ils peuvent repérer des modèles et catégoriser des données. Par exemple, des algorithmes non supervisés pourraient regrouper des articles d'actualité provenant de différents sites dans des catégories communes, comme le sport, les crimes, etc. Ils peuvent utiliser le traitement du langage naturel pour cerner le sens et l’émotion de l’article. Dans le commerce de détail, l’apprentissage non supervisé pourrait permettre de repérer des tendances dans les achats des clients et de fournir des résultats d’analyse de données. Par exemple, le client est plus susceptible d’acheter du pain s’il achète également du beurre.
L’apprentissage non supervisé est utile pour la reconnaissance des formes, la détection des anomalies et le regroupement automatique des données en catégories. Comme les données d’entraînement ne nécessitent pas d’étiquetage, la configuration est simple. Ces algorithmes peuvent également être utilisés pour nettoyer et traiter les données en vue d’une modélisation automatique. Une telle méthode est limitée par le fait qu’elle ne permet pas de faire des prédictions précises et qu’elle ne permet pas d’isoler de manière indépendante des résultats spécifiques.
Apprentissage semi-supervisé
Comme son nom l'indique, cette méthode combine l'entraînement supervisé et non supervisé. Cette technique repose sur l’utilisation d’une petite quantité de données étiquetées et d’une grande quantité de données non étiquetées pour entraîner les systèmes. Tout d’abord, les données étiquetées sont utilisées pour entraîner partiellement l’algorithme de machine learning. Ensuite, l’algorithme partiellement entraîné étiquette les données non étiquetées. Ce processus s’appelle le pseudo-étiquetage. Le modèle est ensuite entraîné à nouveau sur le mélange de données résultant sans être explicitement programmé.
L’avantage de cette méthode est qu’elle ne nécessite pas de grandes quantités de données étiquetées. Elle est pratique lorsque l’on travaille avec des données tels que de longs documents qui prendraient trop de temps à être lus et étiquetés par des humains.
Apprentissage par renforcement
L’apprentissage par renforcement est une méthode selon laquelle des valeurs de récompense sont attachées aux différentes étapes que l’algorithme doit franchir. Le but du modèle est donc d’accumuler le plus de points de récompense possible pour ainsi atteindre un objectif final. Au cours de la dernière décennie, la plupart des applications pratiques de l’apprentissage par renforcement ont été réalisées dans le domaine des jeux vidéo. Des algorithmes d’apprentissage par renforcement à la pointe de la technologie ont obtenu des résultats impressionnants dans des jeux classiques et modernes, en battant bien souvent haut la main leurs homologues humains.
La difficulté de l’apprentissage par renforcement réside dans le fait que les environnements réels subissent des changements fréquents, considérables et soudains. susceptibles de nuire à l’efficacité de l’algorithme en situation réelle. Le biais des développeurs peut également affecter les résultats. En effet, étant donné que le scientifique des données conçoit les récompenses, il peut influencer les résultats.
Deep learning
Le deep learning est un type de technique de machine learning qui s’inspire du cerveau humain. En effet, les algorithmes de deep learning analysent les données avec une structure logique similaire à celle utilisée par les humains. Il utilise des réseaux de neurones artificiels pour traiter les informations par couches. Un réseau de neurones artificiels (RNA) est composé de nœuds logiciels appelés neurones artificiels qui traitent les données collectivement. Ainsi, les données circulent de la couche d’entrée des neurones à travers plusieurs couches de réseaux neuronaux cachés « profonds » avant d’arriver à la couche de sortie. Les couches cachées supplémentaires permettent un apprentissage bien plus performant que celui des modèles de machine learning standard.
En savoir plus sur les réseaux neuronaux
En savoir plus sur les différences entre le machine learning et le deep learning
Les modèles de machine learning sont-ils déterministes ?
Si la sortie d'un système est prévisible, on dit qu'il est déterministe. La plupart des applications logicielles répondent de manière prévisible à l'action de l'utilisateur, on peut donc dire : « Si l'utilisateur fait ceci, il obtient cela ». Cependant, les algorithmes de machine learning apprennent par l'observation et l'expérience. Ils sont donc de nature probabiliste. L'instruction devient à présent : « Si l'utilisateur fait ceci, il y a X % de chances que cela se produise ».
Pour le machine learning, le déterminisme est une stratégie utilisée lors de l'application des méthodes d'apprentissage décrites ci-dessus. Toutes les méthodes de formation supervisées, non supervisées et autres peuvent être rendues déterministes selon les résultats souhaités par l'entreprise. La question de la recherche, l'extraction de données, la structure et les décisions de stockage influencent l'adoption ou non d'une stratégie déterministe ou non déterministe.
Approche déterministe ou probabiliste
L'approche déterministe se concentre sur la précision et la quantité de données collectées, de sorte que l'efficacité est privilégiée par rapport à l'incertitude. En revanche, le processus non déterministe (ou probabiliste) vise à gérer le facteur chance. Des outils intégrés aux algorithmes de machine learning permettent de quantifier, d’identifier et de mesurer l’incertitude pendant l’apprentissage et l’observation.
Comment pouvez-vous mettre en œuvre le machine learning dans votre organisation ?
Pour démarrer avec le machine learning, il faut mettre en œuvre le cycle de vie du machine learning. Il comporte les phases suivantes.
Objectif commercial
Une organisation qui envisage le machine learning doit d’abord identifier les problèmes qu’elle souhaite résoudre. Identifiez la valeur commerciale que vous gagnez en utilisant le machine learning pour résoudre les problèmes. Pouvez-vous mesurer la valeur commerciale à l’aide de critères de réussite spécifiques pour les objectifs commerciaux ? Une approche axée sur les objectifs vous aide à justifier les dépenses et à convaincre les principales parties prenantes.
Définition du problème
Ensuite, définissez le problème métier comme un problème de machine learning. Identifiez ce qui est observé et ce qui doit être prédit. Une étape clé de cette phase consiste à déterminer ce qu’il faut prévoir et comment optimiser les métriques de performance et d’erreur correspondantes.
Traitement des données
Le traitement des données convertit les données dans un format utilisable à l’aide d’algorithmes de machine learning. Cela inclut l’identification, la collecte et le prétraitement des données ainsi que l’ingénierie des fonctionnalités. Vous créez, transformez, extrayez et sélectionnez des variables de machine learning à partir de vos données.
Modèle de développement et de déploiement
Il s’agit du processus central d’entraînement, de réglage et d’évaluation de votre modèle, tel que décrit dans la section précédente. Cela inclut l’établissement de MLOps. Les opérations de machine learning (MLOps) sont un ensemble de pratiques qui automatisent et simplifient les flux de travail et les déploiements de machine learning (ML). Ils unifient le développement du machine learning avec le déploiement et les opérations. Par exemple, vous créez un pipeline CI/CD qui automatise la création, l’entraînement et la publication vers les environnements de préparation et de production.
Surveillance
Un système de surveillance des modèles permet de s’assurer que votre modèle conserve le niveau de performance souhaité grâce à une détection précoce et à des mesures d’atténuation. Il s’agit notamment de recueillir les commentaires des utilisateurs afin de maintenir et d’améliorer le modèle pour qu’il reste pertinent au fil du temps.
Quels sont les défis liés à la mise en œuvre du machine learning ?
Les défis liés à la mise en œuvre du machine learning sont indiqués ci-dessous.
Qualité des données
Les performances d’un modèle de machine learning dépendent de la qualité des données utilisées lors de l’entraînement. Des problèmes tels que les valeurs manquantes, les entrées de données incohérentes et le bruit peuvent dégrader de manière significative la précision du modèle. De plus, l’absence d’un jeu de données suffisamment volumineux peut empêcher le modèle d’apprendre efficacement. Garantir l’intégrité des données et augmenter la collecte de données sans en compromettre la qualité constituent des défis permanents.
Surajustement et sous-ajustement
Le surajustement se produit lorsqu’un modèle de machine learning apprend les détails et le bruit des données d’entraînement à un point tel que cela a un impact négatif sur les performances du modèle sur de nouvelles données. Le modèle capture des modèles qui ne se généralisent pas à d’autres jeux de données. En revanche, il y a sous-ajustement lorsqu’un modèle ne peut pas apprendre le modèle sous-jacent des données, ce qui se traduit par des performances médiocres sur les données d’entraînement et de test. L’équilibre entre la complexité du modèle et sa capacité à se généraliser est un défi majeur.
Biais
Les données peuvent être déséquilibrées dans de nombreuses applications réelles, ce qui signifie que certaines classes sont beaucoup plus fréquentes que d’autres. Ce déséquilibre peut fausser le processus d’entraînement, de sorte que le modèle donne de bons résultats avec la classe majoritaire, mais ne parvient pas à prédire avec précision la classe minoritaire. Par exemple, si les données historiques donnent la priorité à un certain groupe démographique, les algorithmes de machine learning utilisés dans les applications de ressources humaines peuvent continuer à donner la priorité à ce groupe démographique. Des techniques telles que le rééchantillonnage des données, l’utilisation de différentes métriques d’évaluation ou l’application d’algorithmes de détection d’anomalies permettent d’atténuer le problème dans une certaine mesure.
Explicabilité du modèle
À mesure que les modèles de machine learning, en particulier les modèles de deep learning, deviennent de plus en plus complexes, leurs décisions deviennent moins interprétables. Le développement de méthodes permettant de rendre les modèles plus interprétables sans sacrifier les performances représente un grand défi. Cela affecte la facilité d’utilisation, la fiabilité et les considérations éthiques du déploiement des systèmes de machine learning.
Capacité de mise à l’échelle
Les modèles de machine learning, en particulier ceux qui impliquent de grands jeux de données ou des algorithmes complexes tels que le deep learning, nécessitent des ressources de calcul importantes. L’entraînement de ces modèles peut être long et coûteux. L’optimisation des algorithmes pour réduire les exigences de calcul implique des défis en termes de conception des algorithmes. Les services Cloud AWS permettent une mise en œuvre rentable à grande échelle.
Qu’est-ce que l’entraînement de machine learning pour les débutants ?
Le machine learning nécessite des compétences de base solides en mathématiques, en statistiques, en codage et en technologies des données. Les personnes qui souhaitent progresser dans le domaine du machine learning doivent envisager de terminer une maîtrise en intelligence artificielle ou en science des données. Ces programmes concernent généralement des sujets tels que les réseaux neuronaux, le traitement du langage naturel et la vision par ordinateur en profondeur.
Cependant, l’enseignement formel n’est pas la seule voie à suivre. En effet, vous pouvez suivre des cours en ligne pour apprendre à votre rythme et maîtriser des compétences spécifiques. La formation au machine learning sur AWS comprend des certifications délivrées par des experts AWS sur des sujets tels que les suivants :
Comment le machine learning d’AWS peut-il être utile ?
AWS rend le machine learning accessible à tous les développeurs, scientifiques des données et utilisateurs professionnels. Les services de machine learning AWS fournissent une infrastructure performante, rentable et évolutive pour répondre aux besoins métier.
- Vous venez de démarrer ? Familiarisez-vous avec le machine learning grâce à nos dispositifs éducatifs pratiques comme AWS DeepRacer et AWS DeepComposer.
- Vous disposez déjà d’un archivage de données ? Utilisez Amazon SageMaker Ground Truth pour les flux de travail d’étiquetage des données intégrés qui prennent en charge les vidéos, les images et le texte.
- Vous disposez déjà de systèmes de machine learning ? Utilisez Amazon SageMaker Clarify pour détecter les biais et l’entraînement de modèles Amazon SageMaker pour surveiller et optimiser les performances.
- Vous souhaitez mettre en œuvre le deep learning ? Utilisez l’entraînement de modèle Amazon SageMaker pour entraîner automatiquement de grands modèles de deep learning.
Commencez à utiliser le machine learning sur AWS en créant un compte AWS gratuit dès aujourd’hui !