De la polysémie en milieu hybride

Sarah Diot-Girard

#MauvaiseTraductionLittérale

@Iggdrapatate

De la polysémie en milieu hybride

Sarah Diot-Girard

Modèle


CREATE TABLE cat_nap(
		id serial,
		cat_ref varchar,
		duration_range tstzrange not null,
		PRIMARY KEY (id),
		FOREIGN KEY (cat_ref) REFERENCES cat_name(cat_ref)
		);


from django.db import models


class CatNap(models.Model):
	cat_ref = models.ForeignKey(CatName, on_delete=models.CASCADE)
	duration_range = models.DateRangeField()

\[ \mbox{cat_nap_length} = f_\theta(\mbox{cat_age}, \mbox{last_nap_time}, ...) \]

One complication in our work arose due to conflicting technical nomenclature:
"testing", "regression", "validation", "model"
and other relevant terms have very different meanings to machine learning experts
than they do to software engineers.

Testing and Validating Machine Learning Classifiers by Metamorphic Testing,
Xie et al.

Notebook

ML

Mailing List

Machine Learning

DL

Download

Deep Learning

Gradient

\[ a_{n+1} = a_{n} - \gamma \nabla F(a_n)\]

Machine Learning : programmation non explicite utilisant les patterns présents dans les données pour entraîner le comportement souhaité

Data + hyperparameters in algorithm -> model

Modèle n.m. : truc produit par la combinaison d'un algorithme, d'hyperparamètres choisis par l'utilisateur·trice et de paramètres (ou poids) appris sur un jeu de données

On a un problème de perf dans notre cluster!

Apprentissage supervisé vs non-supervisé

Trouvé dans le backlog :

Boostrap des statistiques

Bootstrap (statistiques) :
méthode d'inférence statistique basée sur la réplication multiple des données selon les techniques de rééchantillonnage

Population

$ \mu = 11$

Echantillon

Erreur standard d'une grandeur statistique:

$SE(\bar{x}) = \frac{s}{\sqrt{n}} \mbox{ where } s = \sqrt{\sum_{i=1}^n \frac{(x_i - \bar{x})^2}{n-1} }$

Echantillon

\[ \bar{x} = 10.7 \] \[ SE(\bar{x}) = 1.6 \]

Rééchantillonnage

\[ \hat{\mu_1} = 9.25 \hspace{1.5cm} \hat{\mu_2} = 12.25 \hspace{1.5cm} \hat{\mu_3} = 8.5\] \[ \bar{\mu} = 10 \hspace{3cm} SE(\bar{\mu}) = 1.98\]

Estimation par bootstrap

$SE(\bar{\theta }) = \sqrt{\sum_{b=1}^B \frac{(\hat{\theta _b} - \bar{\theta})^2}{B-1} } \mbox{ where } \bar{\theta} = \sum_{b=1}^B \frac{\hat{\theta _b}}{B}$

Fréquentiste vs Bayésien

Variable


cat_nap_length_per_day_in_minutes = cat_nap_length_per_day / 60
average_cat_nap_length_per_day_in_minutes =
	sum(cat_nap_length_per_day_in_minutes) / len(cat_nap_length_per_day_in_minutes)

A dataframe with columns named x_1, x_2, ...

Feature

Feature (dev)

Vous auriez dû la livrer avant-hier.
Crée de la dette technique.

Feature (ML)

df['dow'] = df['created_at'].dt.dayofweek
Crée de la dette technique.

Classe


import datetime

class CatNap():
  def __init__(self, start_time):
    self.start_time = start_time
	self.end_time = None
	self.duration = None

  def end_nap():
	self.end_time = datetime.datetime.now()
	self.duration = (self.end_time - self.start_time).total_seconds()