Dans les projets de Machine Learning, en général, les modèles fonctionnent correctement si les proportions des classes du jeu de données utilisé sont relativement similaires. Cependant, des déséquilibres s’invitent parfois dans l’équation.
Découvrez dans cet article comment gérer ce type de problématique.
Cet article présente une nouvelle approche méthodologique pour améliorer l’interprétation des modèles de Deep Learning, qui sont souvent très opaques : la méthode des « Integrated gradients ».
Les modèles de ML sont souvent des boites noires qu’on évalue selon leurs performances sans savoir exactement comment leurs décisions sont prises. Obtenir les meilleures performances possible peut suffire, mais comprendre les décisions est de plus en plus indispensable.
L’autoML est-il la fin des Data Scientists ? Découvrez comment la combinaison de 2 approches permet aux Data Scientists Aquila Data Enabler de gagner en pertinence sur des problématiques de forecasting et de détection d’anomalies.
Peter Addo est le Head of Data Lab de l’Agence Française de Développement (AFD). Dans cette interview vidéo, il nous explique – entre autres – son rôle, les enjeux et les usages de l’intelligence artificielle et de la Data Science (en particulier pour des problématiques environnementales), et son approche de la réutilisation des modèles de […]
The amount of textual content generated everyday is growing at an exponential rate. Such large numbers of textual data is a valuable source of knowledge, unfortunately it becomes impractical for anyone to process all the available information.
La quantité de contenu textuel généré chaque jour augmente à un rythme exponentiel. Un si grand nombre de données est une source précieuse de connaissances qui constitue un vrai challenge à traiter et analyser. La synthèse textuelle automatique est une solution à ce problème.
De la classification d’images au transfert de style, en passant par la détection d’objets, les applications au sein des entreprises se multiplient. Dans cet article, nous présentons plus spécifiquement les réseaux de neurones convolutionnels, utilisés pour les tâches de classification d’images et de détection d’objets.
Les Réseaux Antagonistes Génératifs (GAN) sont un nouveau type de réseau de neurones profonds (deeplearning). Leur objectif est de pouvoir estimer et représenter une distribution de données. Découvrez comment.
