Articles approfondis sur le machine learning, l'ingénierie IA et les systèmes ML en production
Guide complet pour construire un ensemble stacking atteignant AUC 0,9648 — feature engineering, sélection de modèles et méta-apprenant.
Les 15 techniques de feature engineering que j'utilise dans chaque compétition Kaggle tabulaire.
Comparaison pratique et benchmarkée de XGBoost et LightGBM — avec des recommandations concrètes pour le ML tabulaire en production.
Comment CatBoost gère les features catégorielles sans fuite de données avec l'encodage target ordonné.
Après 20+ projets de classification déséquilibrée, voici ce qui fait vraiment la différence.
Comment utiliser Optuna au-delà de la recherche aléatoire — élagage, optimisation multi-objectif, bases de données d'études persistantes.
Guide pratique des valeurs SHAP — importance globale, explications locales, graphiques en cascade.
K-Fold, Stratifié, GroupKFold, TimeSeriesSplit — guide pratique pour choisir la bonne stratégie CV.
Le workflow exact que je suis dans chaque compétition Kaggle — EDA, baseline, sprints de feature engineering.
Quand les méthodes classiques fonctionnent et quand le ML gagne — feature engineering pour les séries temporelles.
Implémentation DQN from scratch en PyTorch — environnement, replay buffer, exploration epsilon-greedy.
Comment NEAT fait évoluer les poids et la topologie des réseaux de neurones — spéciation, croisement, numéros d'innovation.
Une explication claire de MCTS — sélection, expansion, simulation, rétropropagation.
Utiliser des algorithmes génétiques pour la sélection de features, l'optimisation des hyperparamètres et la planification.
Pourquoi tout envelopper dans un Pipeline sklearn — prévention des fuites de données, validation croisée correcte.
Utiliser des autoencodeurs pour la détection d'anomalies non supervisée — seuillage de l'erreur de reconstruction.
Une approche structurée pour les entretiens de conception de système ML — cadrage du problème, stratégie de données.
Factorisation matricielle, feedback implicite et filtrage collaboratif neuronal — implémentation pratique.
Je conçois des modèles ML sur mesure, des agents IA, de la vision par ordinateur et de l'automatisation — de l'idée à la production.