MEDIUM_NoteBook
Référentiel contenant les cahiers de mes articles sur MEDIUM.
Pour être averti à chaque fois qu'un nouvel article est publié, INSCRIVEZ-VOUS ICI .
Articles classés par date de publication la plus récente
- Proxy SHAP : accélérez l'explicabilité avec des modèles plus simples [post][code]
- Prévisions de séries chronologiques à l'ère de GenAI : faites en sorte que le boosting de gradient se comporte comme les LLM [post][code]
- Guide de l'auto-stoppeur sur MLOps pour la prévision de séries chronologiques avec Sklearn [post]|[code]
- Frapper la prévision temporelle : l'autre voie pour la prévision probabiliste de séries chronologiques [post]|[code]
- Prévision avec la causalité Granger : vérification des corrélations parasites dans les séries chronologiques [post]|[code]
- Inférence causale de piratage : contrôle synthétique avec des approches ML [post]|[code]
- Sélection de modèle avec données de déséquilibre : seule l'AUC peut ne pas vous sauver [post]|[code]
- PCA pour les séries chronologiques multivariées : prévision de données dynamiques de grande dimension [post]|[code]
- Signification statistique du piratage : tests d'hypothèses avec des approches ML [post]|[code]
- Prévision de séries chronologiques avec des intervalles de prédiction conformes : Scikit-Learn est tout ce dont vous avez besoin [post]|[code]
- Repenser l'analyse de survie : comment faire en sorte que votre modèle produise des courbes de survie [post]|[code]
- Prédiction de désabonnement extrême : prévision sans fonctionnalités [post]|[code]
- Séries chronologiques de prévision avec valeurs manquantes : au-delà de l'interpolation linéaire [post]|[code]
- Prévoir l'incertitude avec des modèles linéaires comme dans le Deep Learning [post]|[code]
- Prévision de séries chronologiques avec sélection de fonctionnalités : pourquoi vous pourriez en avoir besoin [post]|[code]
- Détection d'anomalies dans des séries chronologiques multivariées avec des graphiques de réseau [post]|[code]
- Comment améliorer la prévision récursive des séries chronologiques [post]|[code]
- Se recycler ou ne pas se recycler ? Apprentissage automatique en ligne avec gradient boosting [post]|[code]
- Explicabilité de la dérive des données : détection de décalage interprétable avec NannyML [post]|[code]
- Word2Vec avec séries chronologiques : une approche d'apprentissage par transfert [post]|[code]
- SHAP pour la détection de dérive : surveillance efficace des déplacements de données [post]|[code]
- Prévisions avec des arbres : classificateurs hybrides pour les séries chronologiques [post]|[code]
- Boruta SHAP pour la sélection des fonctionnalités temporelles [post]|[code]
- Prévisions avec des arbres : modélisation hybride pour les séries chronologiques [post]|[code]
- Sélection de fonctionnalités récursives : ajout ou élimination ? [post]|[code]
- Améliorer la forêt aléatoire avec des modèles linéaires [post]|[code]
- Le gradient boosting est-il un bon prophète pour la prévision des séries chronologiques ? [post]|[code]
- Boosting linéaire avec l'ingénierie automatisée des fonctionnalités [post]|[code]
- Améliorer la régression linéaire pour la prévision de séries chronologiques [post]|[code]
- Boruta et SHAP pour une meilleure sélection de fonctionnalités [post]|[code]
- IA explicable avec des arbres linéaires [post]|[code]
- SHAP pour la sélection de fonctionnalités et le réglage des hyperparamètres [post]|[code]
- Arbre modèle : gérer les décalages de données en mélangeant modèle linéaire et arbre de décision [post]|[code]
- Ajoutez des intervalles de prédiction à votre modèle de prévision [post]|[code]
- Arbre linéaire : le mélange parfait de modèle linéaire et d'arbre de décision [post]
- ARIMA pour la classification avec des étiquettes souples [post]|[code]
- Importance de la permutation avancée pour expliquer les prédictions [post]|[code]
- Bootstrap de séries chronologiques à l'ère du Deep Learning [post]|[code]
- Détection d'anomalies avec analyse de valeurs extrêmes [post]|[code]
- Génération de séries temporelles avec VAE LSTM [post]|[code]
- Prétraitement des séries chronologiques d'événements extrêmes [post]|[code]
- Réseau neuronal à une classe à Keras [post]|[code]
- Détection d'anomalies de séries chronologiques en temps réel [post]|[code]
- Application d'entropie en bourse [post]|[code]
- Lissage des séries chronologiques pour une meilleure prévision [post]|[code]
- Lissage des séries temporelles pour un meilleur clustering [post]|[code]
- Maintenance prédictive avec ResNet [post]|[code]
- Ensemble de réseaux de neurones [post]|[code]
- Détection d'anomalies dans les séries chronologiques multivariées avec VAR [post]|[code]
- Corr2Vec : une architecture WaveNet pour l'ingénierie des fonctionnalités sur les marchés financiers [post]|[code]
- Siamois et Dual BERT pour la classification multi-textes [post]|[code]
- Prévision de séries chronologiques avec un réseau neuronal convolutif graphique [post]|[code]
- Calibrage du réseau neuronal avec Keras [post]|[code]
- Combinez LSTM et VAR pour la prévision de séries chronologiques multivariées [post]|[code]
- Importance des fonctionnalités avec les séries chronologiques et le réseau neuronal récurrent [post]|[code]
- Group2Vec pour le codage catégoriel avancé [post]|[code]
- Analyse de survie avec Deep Learning dans Keras [post]|[code]
- Analyse de survie avec LightGBM plus régression de Poisson [post]|[code]
- Maintenance prédictive : détecter les défauts des capteurs avec CRNN et spectrogrammes [post]|[code]
- Abandon multi-échantillons à Keras [post]|[code]
- Quand votre Neural Net ne sait pas : une approche bayésienne avec Keras [post]|[code]
- Intégrations de méta dynamiques dans Keras [post]|[code]
- Maintenance prédictive avec le réseau siamois LSTM [post]|[code]
- L'augmentation des données textuelles rend votre modèle plus fort [post]|[code]
- Détection d'anomalies avec sous-échantillonnage de permutation et dépendance temporelle [post]|[code]
- Time2Vec pour l'encodage des fonctionnalités de Time Series [post]|[code]
- Automatisez le nettoyage des données avec l'apprentissage non supervisé [post]|[code]
- Suivi des personnes avec l'apprentissage automatique [post]|[code]
- Regroupement de séries chronologiques et réduction de la dimensionnalité [post]|[code]
- Détection d'anomalies dans les images [post]|[code]
- Importance des fonctionnalités avec le réseau neuronal [post]|[code]
- Détection d'anomalies avec LSTM dans Keras [post]|[code]
- Segmentation vestimentaire avec auto-encodeur dans Keras [post]|[code]
- Prévision d'événements extrêmes avec les auto-encodeurs LSTM [post]|[code]
- Recommandation et marquage de robes Zalando [post]|[code]
- Estimation de la durée de vie restante avec Keras [post]|[code]
- Contrôle qualité avec l'apprentissage automatique [post]|[code]
- Maintenance prédictive : détectez les défauts des capteurs avec CNN [post]|[code]
