Salut, je m'appelle Fogang Fokoa, doctorant en machine learning.
Pratiquant la science des données et l'apprentissage automatique (Machine Learning) depuis 2 ans, ce service a pour but de vous fournir une solution à votre problème. Solution à base d'apprentissage automatique via le langage de programmation Python.

Avez-vous des données et souhaitez-vous --- les analyser, les traiter, les modéliser et produire un rapport --- afin d'en extraire de la connaissance (pour une prise de décision par exemple) ? Si oui, alors ce service vous fournit une solution de Machine Learning calquée sur le modèle CRoss Industry Standard Process for Data Mining (CRISP-DM).

En fonction de vos besoins les tâches suivantes pourront être faites :

(1) Comprendre le problème. Comprendre les objectifs et les exigences du projet, sélectionner les technologies utilisées; examiner les données, leurs propriétés telles que le format des données et le nombre d'enregistrements ou les identités des champs.
(2) Comprendre les données. Analyse exploratoire des données (EDA) : dessiner les graphes et analyser ces derniers ;
(3) Préparer les données.  Nettoyer, sélectionner, formater, faire de l'ingénierie et transformer les caractéristiques ;
(4) Modélisation.  Générer une conception de test, sélectionner et construire les modèles appartenant à l'un des types d'apprentissage suivant :
--- Apprentissage supervisé : régression linéaire et ses variantes, régression logistique, lda, qda, svm, arbre de décision, algorithme de boosting, réseaux de neurones;
--- Apprentissage non supervisé: clustering basé sur le centroïde, clustering hiérarchique, clustering basé sur la densité et sur la distribution;
--- Réduction de dimension : pca, svd, lda, technique d'embedding
(5) Évaluation. Noter les modèles et passer en revue (1)-(4) ;
(6) Déploiement.  Produire un rapport final, planifier la surveillance et la maintenance, rendre les modèles opérationnel ;

La solution sera délivrée sous forme de notebook jupyter ou .py selon vos besoins.

************************* Formule de Base (25 euros) *************************
--- Aide au débogage sur un script de machine learning python;
ou
(1) Comprendre le problème. Comprendre les objectifs et les exigences du projet, sélectionner les technologies utilisées; examiner les données, leurs propriétés telles que le format des données et le nombre d'enregistrements ou les identités des champs.
(2) Comprendre les données. Visualisation des données ;


******************************** Option 1 (50 euros) ********************************
(1) Comprendre le problème. Comprendre les objectifs et les exigences du projet, sélectionner les technologies utilisées; examiner les données, leurs propriétés telles que le format des données et le nombre d'enregistrements ou les identités des champs.
(2) Comprendre les données. Analyse exploratoire des données (EDA) : dessiner les graphes et analyser ces derniers ;


******************************** Option 2 (70 euros) ********************************
(1) Comprendre le problème. Comprendre les objectifs et les exigences du projet, sélectionner les technologies utilisées; examiner les données, leurs propriétés telles que le format des données et le nombre d'enregistrements ou les identités des champs.
(2) Comprendre les données. Analyse exploratoire des données (EDA) : dessiner les graphes et analyser ces derniers ;
(3) Préparer les données.  Nettoyer, sélectionner, formater, faire de l'ingénierie et transformer les caractéristiques ;


******************************** Option 3 (90 euros) ********************************
(1) Comprendre le problème. Comprendre les objectifs et les exigences du projet, sélectionner les technologies utilisées; examiner les données, leurs propriétés telles que le format des données et le nombre d'enregistrements ou les identités des champs.
(2) Comprendre les données. Analyse exploratoire des données (EDA) : dessiner les graphes et analyser ces derniers ;
(3) Préparer les données.  Nettoyer, sélectionner, formater, faire de l'ingénierie et transformer les caractéristiques ;
(4) Modélisation.  Générer une conception de test et construire les modèles (soit supervisé, soit non supervisé). La réduction de dimensions pourrait être utilisée dans l'un des types de modèle en fonction du problème rencontré;
(5) Évaluation. Noter le modèle et passer en revue (1)-(4) ;

NB : tâche (4) sans la partie "sélection de modèles". La partie "sélection" permet de sélectionner le modèle qui performera le mieux sur le problème et qui généralisera le mieux sur les données non vues.


******************************** Option 4 (100 euros) ********************************
(1) Comprendre le problème. Comprendre les objectifs et les exigences du projet, sélectionner les technologies utilisées; examiner les données, leurs propriétés telles que le format des données et le nombre d'enregistrements ou les identités des champs.
(2) Comprendre les données. Analyse exploratoire des données (EDA) : dessiner les graphes et analyser ces derniers ;
(3) Préparer les données.  Nettoyer, sélectionner, formater, faire de l'ingénierie et transformer les caractéristiques ;
(4) Modélisation.  Générer une conception de test, sélectionner et construire les modèles (soit supervisé, soit non supervisé). La réduction de dimensions pourrait être utilisée dans l'un des types de modèle en fonction du problème rencontré;
(5) Évaluation. Noter les modèles et passer en revue (1)-(4) ;


******************************** Option 5 (100 euros) ********************************
Ajouter à l'Option (4) le (6)
(6) Déploiement.  Produire un rapport final.


Merci de me contacter avant de passer commande. Et n'hésitez pas à me contacter si vous avez d'autres questions.

Je vous remercie.