Je construirai des modèles d'apprentissage automatique en ensemble et corrigerai les critiques de la revue par les pairs

Je vous aide à transformer des données brutes en un chapitre d’analyse fini et défendable.

Les projets passés incluent la mesure de l’accord entre plusieurs évaluateurs (Kappa de Cohen), la construction

et la comparaison de modèles d’apprentissage automatique (Forêt aléatoire, Gradient Boosting,

Régression logistique, SVM, et modèles en ensemble), ainsi que l’explication de ce qu’un modèle

fait réellement en utilisant SHAP.

Ce que je peux vous aider à faire :

- Nettoyer et préparer votre jeu de données

- Statistiques descriptives et tests d’hypothèses

- Accord inter-évaluateurs (Kappa de Cohen, matrices de confusion, tableaux d’accord)

- Modèles d’apprentissage automatique avec tous les indicateurs de performance, pas seulement la précision

- Explicabilité avec SHAP, pour que vous puissiez expliquer pourquoi le modèle prédit ce qu’il prédit

- Répondre aux commentaires du superviseur ou du reviewer avec de nouvelles expériences et

 des réponses claires et directes

- Un rapport écrit que vous pouvez intégrer à votre thèse, avec tableaux et figures

 déjà formatés

Je travaille avec Python. Je vous fournis aussi le code et les étapes exactes que j’ai utilisées, afin

que votre travail reste reproductible si quelqu’un le demande.

Envoyez-moi vos données et ce que votre superviseur demande, et je vous dirai

honnêtement ce qui est possible et combien de temps cela prendra