from sklearn.linear_model import LinearRegression, LogisticRegression T = temperature.reshape(-1, 1) # entrée : la température y_kwh = conso # sortie 1 : un nombre (régression) y_oui = (conso > 30).astype(int) # sortie 2 : une catégorie (classification) reg = LinearRegression().fit(T, y_kwh) droite = LinearRegression().fit(T, y_oui).predict(T) print(droite.min(), droite.max()) # -0.27 et 1.17 sur les 200 jours simulés p = LogisticRegression().fit(T, y_oui).predict_proba(T)[:, 1] print(p.min(), p.max()) # toujours entre 0 et 1
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.