For AI agents: the complete documentation index is available at https://docs.ovhcloud.com/fr/llms.txt, the full documentation bundle is available at https://docs.ovhcloud.com/fr/llms-full.txt, and this page is available as Markdown at https://docs.ovhcloud.com/fr/guides/public-cloud/ai-machine-learning/ai-notebooks-spam-classifier.md.

AI Notebooks - Tutoriel - Construire votre classificateur de spam

Voir en Markdown

Comment construire votre classificateur de spam grâce au Machine Learning

Objectif

Ce tutoriel vous montrera comment construire un classificateur de spam simple avec OVHcloud AI Notebooks. Vous apprendrez les concepts de régression logistique, de réduction de dimension, de stop words, de quantiles et bien plus encore. Un modèle de Machine Learning très simple sera utilisé : la régression logistique.

À la fin de ce tutoriel, vous aurez appris les principales méthodes pour construire votre propre classificateur de spam.

Schéma dessiné à la main d'une enveloppe de message entrant classée soit comme ham à gauche soit comme spam à droite
Info

Nous pourrons créer ce modèle avec le dataset nommé SMSSPamCollection. Retrouvez-le sur le lien du SMS Spam Collection Dataset.

Prérequis

  • Un projet AI Notebooks créé au sein d'un projet Public Cloud dans votre compte OVHcloud
  • Un utilisateur pour AI Notebooks

Accès à l'espace client OVHcloud

  • Lien direct :
  • Pour accéder à vos services : Public Cloud > Sélectionnez votre projet

En pratique

Vous pouvez lancer votre notebook depuis l' ou via la CLI ovhai.

Lancer un notebook Jupyter avec « Miniconda » via l'interface

Pour lancer votre notebook depuis l', suivez les étapes ci-dessous.

Éditeur de code

Choisissez l'éditeur de code Jupyterlab.

Framework

Dans ce tutoriel, le framework Miniconda est utilisé.

Warning

Avec Miniconda, vous pourrez configurer votre environnement en installant les bibliothèques Python dont vous avez besoin.

Vous pouvez choisir la version de conda que vous souhaitez.

Info

La version par défaut de conda est fonctionnelle pour ce tutoriel.

Ressources

Vous pouvez choisir le nombre de CPU ou GPU que vous souhaitez.

Info

Ici, l'utilisation de 4 CPU est suffisante.

Lancer un notebook Jupyter avec « Miniconda » via la CLI

Si vous souhaitez le lancer avec la CLI, choisissez l'éditeur jupyterlab et le framework conda.

Pour accéder aux différentes versions de conda disponibles, exécutez la commande suivante.

ovhai capabilities framework list -o yaml
Info

Si vous ne spécifiez pas de version, votre notebook démarre avec la version par défaut de conda.

Choisissez le nombre de CPU (<nb-cpus>) à utiliser dans votre notebook et utilisez la commande suivante.

ovhai notebook run conda jupyterlab \
	--name <notebook-name> \
	--framework-version <conda-version> \
  --cpu <nb-cpus>

Vous pourrez ensuite accéder à l'URL de votre notebook une fois celui-ci en cours d'exécution.

Accéder au notebook

Une fois le dépôt cloné, retrouvez votre notebook en suivant ce chemin : ai-training-examples > notebooks > natural-language-processing > text-classification > miniconda > spam-classifier > notebook-spam-classifier.ipynb.

Un aperçu de ce notebook est disponible sur GitHub ici.

Aller plus loin

  • Si vous vous intéressez au NLP (Natural Language Processing), familiarisez-vous avec la reconnaissance vocale (speech to text) en suivant ce tutoriel.

Pour une formation ou une assistance technique sur la mise en œuvre de nos solutions, contactez votre commercial ou consultez la page Professional Services pour obtenir un devis et faire analyser votre projet par nos experts.

Votre avis nous intéresse !

N’hésitez pas à nous faire part de vos questions, retours et suggestions pour améliorer le service :

Cette page vous a-t-elle aidé ?