D’abord, des données fiables
Collecter, nettoyer, normaliser, contrôler. Sans données fiables, pas de modèle fiable. C’est le gros du travail, et celui qu’on voit le moins.
Machine learning
Classification
Ranger des objets dans des catégories utiles. Exemple : SkiPri classe les stations de ski en petites, moyennes, intermédiaires et grandes. Quatre mesures suffisent : kilomètres de pistes, longueur, dénivelé et débit des remontées.
Prédictions
Estimer ce qui manque ou ce qui arrive. Exemples :
- SkiPri prédit la taille des stations dont il manque des mesures, avec un score de confiance.
- Joule prévoit la consommation d’électricité d’un foyer.
Notre règle
Un modèle simple d’abord, mesuré sur vos données. Un modèle plus complexe doit prouver qu’il fait mieux. Les prédictions incertaines sont signalées, jamais cachées.
Déjà fait
- SkiPri.fr : collecte, normalisation, classification et prédiction.
- Joule : prévisions de consommation, plusieurs modèles comparés.
- Projet 3842 : lire la neige sur des images de webcam.
Prochaine étape
Des données prêtes à décider.
Dites-nous l’essentiel. On revient vers vous.