L’apprentissage par renforcement, expliqué simplement
Un agent, des essais, des récompenses : découvre ce qu’est l’apprentissage par renforcement, ses pièces, sa boucle et ce qui le distingue du supervisé.
Cours & Tutoriels : Machine Learning
Régression, classification, clustering et évaluation de modèles : les algorithmes de machine learning expliqués simplement, avec exemples en Python.
À quels problèmes réels appliquer la régression logistique ?
Avis clients, mots d’une phrase, temps avant un événement : où le geste de la régression logistique travaille vraiment, et où il faut changer d’outil.
Régression linéaire : garder la droite ou passer à autre chose ?
Quand la droite suffit, quand elle casse, et quoi choisir ensuite : voisins, ridge, lasso, splines, GAM. Les chiffres qui t’aident à trancher.
Régression linéaire : ce que la droite calcule vraiment
Une régression linéaire prédit un nombre à partir d’autres nombres. Ce qu’elle suppose, comment on trouve sa droite, et les idées reçues à écarter.
Régression logistique : les questions à te poser avant de choisir
Cible à deux issues, frontière en ligne droite, volume de données, nombre de classes : les critères qui disent si la régression logistique est faite pour toi.
Régression logistique : la probabilité derrière le oui/non
Une régression logistique ne prédit pas une valeur : elle calcule une probabilité, puis un seuil décide. Cotes, log-cote, vraisemblance, pièges.
À quels problèmes réels appliquer la régression linéaire ?
Avant de lancer une régression linéaire sur tes données, vérifie si ton problème s’y prête : cas réels, formules, code et le test qui décide si c’est la bonne méthode.