Nos article sur le 📂 Machine Learning

Quelle différence entre Machine Learning et Deep Learning ?

Aujourd’hui, l’analyse de données représente un facteur clé dans la prise de décisions des entreprises. Ces données nécessitent d’être pré traitées et analysées en utilisant l’intelligence artificielle grâce des méthodes…

Continuer la lecture

Machine Learning & Clustering : Focus sur l’algorithme CAH

Le clustering est une discipline particulière du Machine Learning ayant pour objectif de séparer vos données en groupes homogènes ayant des caractéristiques communes. C’est un domaine très apprécié en marketing,…

Continuer la lecture

Peut-on avoir confiance aux prédictions d’une IA : L’approche LIME

Dans un précédent article, nous avons discuté des limites de l'intelligence artificielle en nuançant la vision hollywoodienne d'un robot qui dépasserait l'homme et lui dicterait sa conduite. Néanmoins avec l’usage de modèles…

Continuer la lecture

Au delà du Machine Learning: l’Analyse de Survie

Lorsqu’on débute un projet de Data Science, il est très important de réfléchir à la modélisation du problème en question. Si l'on cherche à augmenter les ventes sur un site…

Continuer la lecture

Performance and interpretability in Machine Learning

Performance and interpretability: A necessary trade-off? Over the last decade, an increasing number of companies have embraced the digital transformation by incorporating Artificial Intelligence methods in the way they conceive…

Continuer la lecture

Correlation entre variables: comment mesurer la dépendance ?

En Data science, il est primordial de découvrir et quantifier à quel point deux variables sont liées. Ces relations peuvent être complexes et ne sont pas forcément visibles. Or certaines…

Continuer la lecture

Machine Learning & Clustering: Focus sur l’algorithme des K-moyennes

Le clustering est une discipline particulière du Machine Learning ayant pour objectif de séparer vos données en groupes homogènes ayant des caractéristiques communes. C’est un domaine très apprécié en marketing,…

Continuer la lecture

Comment gérer les problèmes de Classification déséquilibrée – Partie II

Comment gérer les problèmes de Classification déséquilibrée Partie II Les méthodes pour lutter contre le déséquilibre des données Après avoir détaillé les différents problèmes liés au déséquilibre des données et…

Continuer la lecture

Comment gérer les problèmes de Classification déséquilibrée – Partie I

Comment gérer les problèmes de Classification déséquilibrée ? Partie I La classification sur données déséquilibrées est un problème de classification où l'échantillon d'apprentissage contient une forte disparité entre les classes…

Continuer la lecture

Numériser des variables

Numériser des variables Ça y est ! Le jeu de données est nettoyé! Plus de valeurs manquantes, les choix de modélisation ont été faits ! On…

Continuer la lecture

XGBoost, grand gagnant des compétitions

XGBoost signifie eXtreme Gradient Boosting. Codé en C++, il est disponible dans à peu près tous les langages de programmations utiles en Machine Learning. Quels sont ses atouts ? Pourquoi remporte t-il si régulièrement les compétitions Kaggle ?

Continuer la lecture

📂 Machine Learning

Quelle différence entre Machine Learning et Deep Learning ?

Machine Learning & Clustering : Focus sur l’algorithme CAH

Peut-on avoir confiance aux prédictions d’une IA : L’approche LIME

Au delà du Machine Learning: l’Analyse de Survie

Performance and interpretability in Machine Learning

Correlation entre variables: comment mesurer la dépendance ?

Machine Learning & Clustering: Focus sur l’algorithme des K-moyennes

Comment gérer les problèmes de Classification déséquilibrée – Partie II

Comment gérer les problèmes de Classification déséquilibrée – Partie I

Numériser des variables

XGBoost, grand gagnant des compétitions

Liens Populaires

A Propos De Nous

Contacts

18 Rue de Villiers, 92300 Levallois Perret

contact@datascientest.com

+33 9 80 80 79 49