import numpy as np from sklearn.metrics import roc_auc_score, average_precision_score rng = np.random.default_rng(7) n, n_def = 10_000, 100 y = np.r_[np.ones(n_def), np.zeros(n - n_def)] # 1 = défectueux score = rng.normal(size=n) + 2 * y # écart de consommation print(roc_auc_score(y, score)) # 0.9154 print(average_precision_score(y, score)) # 0.1820 print(y.mean()) # 0.01 : ligne de base de la PR-AUC alerte = score > 2 print(alerte.sum(), (alerte & (y == 1)).sum()) # 263 alertes, dont 41 vraies # (le simulateur utilise un autre tirage : mêmes ordres de grandeur)
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.