Aide-mémoire de l’algorithme Machine Learning pour le concepteur Azure Machine Learning

Important

Cet article fournit des informations sur l’utilisation du Kit de développement logiciel (SDK) Azure Machine Learning v1. Sdk v1 est déconseillé depuis le 31 mars 2025. La prise en charge prendra fin le 30 juin 2026. Vous pouvez installer et utiliser le Kit de développement logiciel (SDK) v1 jusqu’à cette date. Vos flux de travail existants utilisant le Kit de développement logiciel (SDK) v1 continueront à fonctionner après la date de fin de support. Toutefois, elles peuvent être exposées à des risques de sécurité ou à des modifications disruptives en cas de changements architecturaux du produit.

Nous vous recommandons de passer au SDK v2 avant le 30 juin 2026. Pour plus d’informations sur le SDK v2, consultez Qu’est-ce qu’Azure Machine Learning CLI et le SDK Python v2 ? et la référence du SDK v2.

L'Aide-mémoire d’algorithme Azure Machine Learning Studio vous permet de choisir l’algorithme de concepteur adapté à un modèle d’analyse prédictif.

Remarque

Le concepteur prend en charge deux types de composants, les composants prédéfinis classiques (v1) et les composants personnalisés (v2). Ces deux types de composants ne sont PAS compatibles.

Les composants prédéfinis classiques fournissent principalement des composants prédéfinis utilisés pour le traitement des données et les tâches de Machine Learning traditionnelles telles que la régression et la classification. Ce type de composant continue d’être pris en charge, mais aucun nouveau composant n’est ajouté.

Les composants personnalisés vous permettent d’encapsuler votre propre code en tant que composant. Ils vous permettent de partager des composants dans des espaces de travail et de créer en toute transparence dans des interfaces Studio, CLI v2 et le Kit de développement logiciel (SDK) v2.

Pour les nouveaux projets, nous vous suggérons vivement d’utiliser un composant personnalisé et compatible avec AzureML V2 qui va continuer à recevoir de nouvelles mises à jour.

Cet article s’applique aux composants classiques, prédéfinis et non compatibles avec l’interface CLI v2 et le kit de développement logiciel (SDK) v2.

Azure Machine Learning dispose d’une grande bibliothèque d’algorithmes des familles classification, systèmes de recommandation, clustering, détection d’anomalie, régression et analyse de texte. Chacun est conçu pour traiter un type de problème de Machine Learning différent.

Pour plus d'informations, consultez Comment sélectionner des algorithmes.

Télécharger l’aide-mémoire d’algorithme Machine Learning

Téléchargez l’aide-mémoire ici : Aide-mémoire d’algorithme Machine Learning (11x17 pouces)

Téléchargez et imprimez l’Aide-mémoire d’algorithme Machine Learning au format tabloïd pour l’avoir à portée de main et obtenir de l’aide lors du choix d’un algorithme.

Comment utiliser l’aide-mémoire de l’algorithme Machine Learning

Les suggestions proposées dans cet aide-mémoire d'algorithme sont des règles de base approximatives. Certaines peuvent être contournées et d’autres ignorées. La finalité de cet aide-mémoire est de proposer un point de départ. N'ayez pas peur de lancer une comparaison directe entre plusieurs algorithmes sur vos données. Il est tout simplement indispensable de comprendre les principes de chaque algorithme et le système qui a généré les données.

Chaque algorithme Machine Learning a son propre style ou biais inductif. Plusieurs algorithmes peuvent être appropriés pour un problème spécifique et un algorithme peut être un meilleur choix que d’autres. Mais il n’est pas toujours possible de savoir au préalable lequel convient le mieux. Dans ce cas, plusieurs algorithmes sont affichés dans l’aide-mémoire. Une stratégie appropriée consiste à essayer un algorithme et, si les résultats ne sont pas satisfaisants, à essayer les autres.

Pour en savoir plus sur les algorithmes dans le concepteur Azure Machine Learning, accédez aux Informations de référence sur les algorithmes et les composants.

Types de Machine Learning

Il existe trois catégories principales d’apprentissage automatique : l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement.

Apprentissage supervisé

Dans l’apprentissage supervisé, chaque point de données est étiqueté ou associé à une catégorie ou une valeur qui vous intéresse. Un exemple d’étiquette catégorielle est de classer une image comme « chat » ou « chien ». Le prix de vente associé à un véhicule d’occasion est un exemple d’étiquette de valeur. L’objectif de l’apprentissage supervisé est d’étudier de nombreux exemples étiquetés comme ceux-ci, pour pouvoir effectuer des prévisions sur les points de données futurs. Par exemple pour identifier de nouvelles photos avec le bon animal ou affecter des prix de vente corrects à des véhicules d’occasion. Il s’agit d’un type d’apprentissage automatique utile et apprécié.

Apprentissage non supervisé

Dans l’apprentissage non supervisé, les points de données n’ont aucune étiquette associée. En effet, l’objectif d’un algorithme d’apprentissage non supervisé est d’organiser les données d’une certaine façon ou de décrire sa structure. L’apprentissage non supervisé groupe les données en clusters, comme le fait l’algorithme des k-moyennes, ou recherche différentes manières de visualiser des données complexes afin d’en simplifier l’affichage.

Apprentissage par renforcement

Dans l’apprentissage par renforcement, l’algorithme choisit une action en réponse à chaque point de données. Il s’agit d’une approche courante dans la robotique, où l’ensemble de lectures de capteurs à un moment donné est un point de données, et l’algorithme doit choisir l’action suivante du robot. Il est également adapté aux applications d’Internet des objets. L’algorithme d’apprentissage reçoit également un signal de récompense quelques instants plus tard, qui indique la qualité de la décision. En fonction de ce signal, l’algorithme modifie sa stratégie pour atteindre la récompense la plus élevée.

Étapes suivantes

• Vous trouverez davantage d'informations sur Comment sélectionner des algorithmes.

• En savoir plus sur Studio dans Azure Machine Learning et le Portail Azure.

• Générer un modèle de prévision dans le concepteur Azure Machine Learning.

• En savoir plus sur la comparaison entre le Deep Learning et le Machine Learning.