Ingénierie ML et apprentissage profond
ML appliqué et théorie
Un système de ML que des exploitants font tourner chaque jour, et la théorie qui vous dit jusqu'où pousser un entraînement. Les deux arrivent avec des chiffres vérifiables. Ouvrez un projet pour lire l'étude de cas complète.
-
Prévision · déployé
Des sites télécoms au Cameroun perdaient du gasoil sans que personne voie où. Le système prévoit ce que chaque site devrait consommer et signale ceux qui consomment plus. Les exploitants s'en servent toujours.
NSE 0,986 · 84 617 litres de carburant tracés
Un régresseur Random Forest derrière une application web Flask, avec un seuil d'écart fixé à la moyenne plus 2 écarts-types, un tableau de bord de suivi et des exports pour les audits.
-
Recherche doctorale · publié
Analyse de l'entraînement des réseaux de neurones
Springer Nature 2024Quelle taille de pas d'entraînement vous pouvez prendre avant qu'un modèle cesse d'apprendre, établie à l'avance au lieu d'être découverte en regardant un entraînement échouer.
Le taux d'apprentissage maximal cesse de décroître exponentiellement avec la profondeur
Convergence globale de la descente de gradient pour les réseaux linéaires profonds, en portant les analyses antérieures du flot de gradient dans le cadre discret et en prouvant la convergence vers un minimum global pour presque toutes les initialisations.
