Parcourir les catégories
Explorer
Fiverr Pro
Français
$
USD
Je vais concevoir, optimiser et évaluer des modèles d'apprentissage automatique
Expert en apprentissage automatique, modèles prédictifs et nettoyage de données
Je suis un spécialiste en apprentissage automatique et IA avec une solide expérience dans la formation de modèles ML, le nettoyage de données et l’analyse prédictive. J’aide mes clients à construire d...
À propos de ce service
Votre modèle d'apprentissage automatique surajuste-t-il, est-il biaisé ou échoue-t-il sur des données du monde réel ?
Arrêtez de vous fier uniquement à "l'exactitude". En science des données réelle, un modèle qui prédit la fraude ou une maladie avec 99 % d'exactitude est inutile s'il rate le 1 % qui compte. Vous avez besoin d'une évaluation rigoureuse et mathématiquement solide.
Bienvenue ! Je suis un ingénieur en IA spécialisé dans la classification en apprentissage automatique de haute précision. Je ne me contente pas d'importer Scikit-Learn ; j'applique une méthodologie de recherche de niveau académique pour concevoir, ajuster et évaluer des modèles prédictifs qui résolvent réellement des problèmes commerciaux.
CE QUE JE FERAI POUR VOUS :
- Analyse exploratoire approfondie des données (EDA) : distribution des caractéristiques, matrices de corrélation et détection des valeurs aberrantes.
- Prétraitement avancé des données : gestion des valeurs manquantes, encodage et mise à l'échelle.
- Gestion des données déséquilibrées : mise en œuvre experte de SMOTE, ADASYN et équilibrage par poids de classe.
- Benchmarking multi-modèles : comparaison de modèles (Régression logistique, Forêt aléatoire, SVM, KNN, XGBoost, LightGBM).
LES MÉTRIQUES D'ÉVALUATION QUE VOUS RECEVREZ :
- Matric de confusion (faux positifs vs faux négatifs)
- Précision, rappel et F1-score
- Courbes ROC-AUC et courbes de précision-rappel
- Log-loss et rapports de classification
Langage de programmation:
Python
Frameworks:
Scikit-learn
•
SimpleCV
•
keras
•
Panda
Outils:
Jupyter Notebook
•
Excel
•
SimpleCV
•
Colab
FAQ
Traduction automatique
1. Que faire si mon jeu de données est fortement déséquilibré (par exemple, 99 % de classe A, 1 % de classe B) ?
Je me spécialise dans la classification déséquilibrée. J'utilise des techniques comme SMOTE (Synthetic Minority Over-sampling Technique) et j'évalue le modèle strictement sur le F1-Score et l'AUC de la précision-rappel, pas sur une simple exactitude qui peut être trompeuse.
2. Pouvez-vous m'expliquer le code et les résultats ?
Absolument. La livraison finale comprend un environnement Jupyter Notebook/Colab entièrement commenté. Dans le package Premium, j'utilise l'Explainable AI (valeurs SHAP) pour vous montrer exactement quelles caractéristiques ont influencé les prédictions du modèle.
3. Pouvez-vous exporter le modèle pour que mes développeurs puissent l'utiliser ?
Oui ! Dans le niveau Premium, je sérialise le modèle optimisé en utilisant joblib ou pickle (.pkl), le rendant prêt à être déployé dans votre application web ou mobile.
4. Quels types de problèmes de classification pouvez-vous résoudre ?
Je gère la classification binaire, multi-classe et multi-étiquette. Les cas d'utilisation courants incluent la prédiction de churn client, la détection de fraude, le diagnostic médical et le filtrage de spam.
