MEDIUM_Cuaderno
Repositorio que contiene cuadernos de mis publicaciones en MEDIUM.
Para recibir una notificación cada vez que se publique una nueva publicación, SUSCRÍBETE AQUÍ .
Publicaciones ordenadas por fecha de publicación más reciente
- Proxy SHAP: Acelere la explicabilidad con modelos más simples [publicación] [código]
- Pronóstico de series temporales en la era de GenAI: hacer que el impulso de gradiente se comporte como un LLM [publicación] [código]
- Guía del autoestopista sobre MLOps para el pronóstico de series temporales con Sklearn [publicación]|[código]
- Realizar pronósticos de tiempo: la otra forma de pronósticos probabilísticos de series de tiempo [publicación]|[código]
- Previsión con causalidad de Granger: comprobación de correlaciones espurias en series temporales [publicación]|[código]
- Hackear la inferencia causal: control sintético con enfoques de aprendizaje automático [publicación]|[código]
- Selección de modelo con datos de desequilibrio: solo AUC puede no salvarlo [publicación]|[código]
- PCA para series temporales multivariadas: previsión de datos dinámicos de alta dimensión [publicación]|[código]
- Hackear la importancia estadística: pruebas de hipótesis con enfoques de aprendizaje automático [publicación]|[código]
- Pronóstico de series temporales con intervalos de predicción conformes: Scikit-Learn es todo lo que necesita [publicación]|[código]
- Repensar el análisis de supervivencia: cómo hacer que su modelo produzca curvas de supervivencia [publicación]|[código]
- Predicción de abandono extremo: pronóstico sin funciones [publicación]|[código]
- Pronóstico de series temporales con valores faltantes: más allá de la interpolación lineal [publicación]|[código]
- Pronosticar la incertidumbre con modelos lineales como en el aprendizaje profundo [publicación]|[código]
- Pronóstico de series temporales con selección de funciones: por qué puede necesitarlo [publicación]|[código]
- Detección de anomalías en series temporales multivariadas con gráficos de red [publicación]|[código]
- Cómo mejorar el pronóstico de series temporales recursivas [publicación]|[código]
- ¿Reentrenar o no reentrenar? Aprendizaje automático en línea con aumento de gradiente [publicación]|[código]
- Explicabilidad de la deriva de datos: detección de cambios interpretables con NannyML [publicación]|[código]
- Word2Vec con series temporales: un enfoque de aprendizaje por transferencia [publicación]|[código]
- SHAP para la detección de deriva: monitoreo efectivo del cambio de datos [publicación]|[código]
- Previsión con árboles: clasificadores híbridos para series temporales [publicación]|[código]
- Boruta SHAP para selección de funciones temporales [publicación]|[código]
- Previsión con árboles: modelado híbrido para series temporales [publicación]|[código]
- Selección de funciones recursivas: ¿adición o eliminación? [publicación]|[código]
- Mejore el bosque aleatorio con modelos lineales [publicación]|[código]
- ¿Gradient Boosting es bueno como profeta para el pronóstico de series temporales? [publicación]|[código]
- Impulso lineal con ingeniería de funciones automatizadas [publicación]|[código]
- Mejore la regresión lineal para el pronóstico de series temporales [publicación]|[código]
- Boruta y SHAP para una mejor selección de funciones [publicación]|[código]
- IA explicable con árboles lineales [publicación]|[código]
- SHAP para selección de funciones y ajuste de hiperparámetros [publicación]|[código]
- Árbol modelo: manejar cambios de datos mezclando modelo lineal y árbol de decisión [publicación]|[código]
- Agregue intervalos de predicción a su modelo de pronóstico [publicación]|[código]
- Linear Tree: la combinación perfecta de modelo lineal y árbol de decisión [post]
- ARIMA para clasificación con etiquetas blandas [publicación]|[código]
- Importancia de la permutación avanzada para explicar las predicciones [publicación]|[código]
- Time Series Bootstrap en la era del aprendizaje profundo [publicación]|[código]
- Detección de anomalías con análisis de valores extremos [publicación]|[código]
- Generación de series temporales con VAE LSTM [publicación]|[código]
- Preprocesamiento de series temporales de eventos extremos [publicación]|[código]
- Red neuronal de una clase en Keras [publicación]|[código]
- Detección de anomalías de series temporales en tiempo real [publicación]|[código]
- Aplicación de la entropía en el mercado de valores [post]|[código]
- Suavizado de series temporales para mejores pronósticos [publicación]|[código]
- Suavizado de series temporales para una mejor agrupación [publicación]|[código]
- Mantenimiento predictivo con ResNet [publicación]|[código]
- Conjunto de redes neuronales [publicación]|[código]
- Detección de anomalías en series temporales multivariadas con VAR [post]|[código]
- Corr2Vec: una arquitectura WaveNet para ingeniería de funciones en el mercado financiero [publicación]|[código]
- Siamés y BERT dual para clasificación de textos múltiples [publicación]|[código]
- Pronóstico de series temporales con red neuronal convolucional gráfica [publicación]|[código]
- Calibración de redes neuronales con Keras [publicación]|[código]
- Combine LSTM y VAR para pronósticos de series temporales multivariadas [publicación]|[código]
- Importancia de las funciones con series temporales y redes neuronales recurrentes [publicación]|[código]
- Group2Vec para codificación categórica avanzada [publicación]|[código]
- Análisis de supervivencia con aprendizaje profundo en Keras [publicación]|[código]
- Análisis de supervivencia con LightGBM más regresión de Poisson [publicación]|[código]
- Mantenimiento Predictivo: detecta Fallas de Sensores con CRNN y Espectrogramas [post]|[código]
- Abandono de muestras múltiples en Keras [publicación]|[código]
- Cuando su Neural Net no lo sabe: un enfoque bayesiano con Keras [post]|[código]
- Metaincrustaciones dinámicas en Keras [publicación]|[código]
- Mantenimiento predictivo con LSTM Siamese Network [publicación]|[código]
- El aumento de datos de texto fortalece su modelo [publicación]|[código]
- Detección de anomalías con submuestreo de permutación y dependencia del tiempo [publicación]|[código]
- Time2Vec para series temporales presenta codificación [publicación]|[código]
- Automatice la limpieza de datos con aprendizaje no supervisado [publicación]|[código]
- Seguimiento de personas con aprendizaje automático [publicación]|[código]
- Agrupación de series temporales y reducción de dimensionalidad [publicación]|[código]
- Detección de anomalías en imágenes [publicación]|[código]
- Importancia de las funciones con la red neuronal [publicación]|[código]
- Detección de anomalías con LSTM en Keras [publicación]|[código]
- Segmentación de vestimenta con Autoencoder en Keras [publicación]|[código]
- Previsión de eventos extremos con codificadores automáticos LSTM [publicación]|[código]
- Recomendación y etiquetado de vestidos de Zalando [publicación]|[código]
- Estimación de vida restante con Keras [publicación]|[código]
- Control de calidad con aprendizaje automático [publicación]|[código]
- Mantenimiento predictivo: detecta fallos de sensores con CNN [post]|[código]
