from sklearn.linear_model import LogisticRegression from sklearn.neural_network import MLPClassifier def regle(x): # IA : règle écrite à la main return int(x[0] > 0) lin = LogisticRegression().fit(X_train, y_train) # ML : 3 paramètres appris reseau = MLPClassifier(hidden_layer_sizes=(4,), activation="tanh", max_iter=2000).fit(X_train, y_train) # réseau : 17 paramètres print(lin.score(X_test, y_test), reseau.score(X_test, y_test)) # damier : environ 0.5 et entre 0.91 et 0.93 (5 initialisations testées)
Statistiques, finance quantitative, machine learning, deep learning, LLM, agents IA, MLOps : 321 épisodes avec des simulateurs à manipuler, pas des vidéos.
Statistics, quantitative finance, machine learning, deep learning, LLMs, AI agents, MLOps: 321 interactive episodes with simulators to play with, not videos.