CIVA<\/span> Data Science inclut les outils suivants :<\/p>\n Avec Bases de Donn\u00e9es & M\u00e9tamod\u00e8les<\/span>, importez les diff\u00e9rents jeux de donn\u00e9es (exp\u00e9rimentaux et\/ou simulations).<\/p>\n CIVA<\/span> Data Science peut charger des fichiers de variation CIVA<\/span> (*.var), des donn\u00e9es exp\u00e9rimentales export\u00e9es depuis CIVA<\/span> Analyse au format *.cck via la fonctionnalit\u00e9 export \u00ab\u00a0DS\u00a0\u00bb, mais aussi des fichiers *.txt ou *.csv.<\/p>\n Ensuite, d\u00e9finir et visualiser le crit\u00e8re de sortie sur lequel les algorithmes d’apprentissage automatique vont travailler pour classer les donn\u00e9es. Des m\u00e9tamod\u00e8les peuvent \u00eatre g\u00e9n\u00e9r\u00e9s pour accroitre la taille des \u00e9chantillons. Des outils permettent de v\u00e9rifier la coh\u00e9rence des donn\u00e9es (en termes de crit\u00e8res de sortie, de labels, de dimensions des donn\u00e9es, etc.) afin de s’assurer que l’apprentissage puisse \u00eatre op\u00e9rationnel.<\/p>\n <\/p>\n <\/p>\n <\/p>\n D\u00e9finir un crit\u00e8re d\u2019analyse pertinent peut n\u00e9cessiter de fusionner<\/span> ou transformer<\/span> les donn\u00e9es brutes depuis diff\u00e9rentes sources.<\/p>\n C’est le r\u00f4le des outils Fusion de Bases de Donn\u00e9es<\/span> et Notebooks Python<\/span>. Un script Python<\/span> peut \u00eatre directement d\u00e9fini dans cet environnement \u00e0 cette fin. Des scripts Python<\/span> peuvent aussi \u00eatre n\u00e9cessaires pour extraire une quantit\u00e9 pertinente des simulations param\u00e9triques CIVA<\/span>. C’est pourquoi CIVA<\/span> Data Science n\u00e9cessite le module CIVA Script<\/a>.<\/p>\n <\/p>\n <\/p>\n Une fois les donn\u00e9es collect\u00e9es et organis\u00e9es, vous pouvez entrainer des outils de classification pour d\u00e9velopper un mod\u00e8le d’aide au diagnostic. Le but est de d\u00e9tecter et caract\u00e9riser automatiquement des signaux de d\u00e9fauts \u00e0 partir de donn\u00e9es END. Le module de Classification<\/span> permet de d\u00e9finir les classes<\/span> cibl\u00e9es, pr\u00e9-analyser<\/span> rapidement la capacit\u00e9 \u00e0 s\u00e9parer les donn\u00e9es de fa\u00e7on pertinente \u00e0 partir du crit\u00e8re de sorti choisi, puis de comparer et r\u00e9gler diff\u00e9rents algorithmes de normalisation, projection et classifieurs et leurs param\u00e8tres pour entrainer vos donn\u00e9es.<\/p>\n CIVA<\/span> Data Science inclut des graphiques de visualisation tels que des diagrammes 2D, des diagrammes parall\u00e8les ou des matrices de confusion pour r\u00e9gler les param\u00e8tres d’entrainement.<\/p>\n Finalement, \u00e9valuer le mod\u00e8le de diagnostic<\/span> sur un jeu de donn\u00e9es tiers.<\/p>\n Un autre module D\u00e9tection<\/span> permet d\u2019entrainer le mod\u00e8le sur une classe et de r\u00e9gler le seuil pour une \u00e9valuation de type \u00ab\u00a0Succ\u00e8s \/ Echec\u00a0\u00bb, par exemple \u00ab\u00a0D\u00e9faut \/ Zone saine\u00a0\u00bb.<\/p>\n <\/p>\n\n
![\"\"](\"https:\/\/extende.realisateurweb.com\/wp-content\/uploads\/CIVA2023_DS_ExportExperimentalData.png\")
<\/a><\/div>\n<\/a><\/div>\n<\/a><\/div>\n