↓ Aller au contenu
Kwak Jazz
Wilson Goma

Wilson Goma

Data Scientist · séries temporelles, inférence causale, agents IA

J’écris ici ce que j’apprends : notes de veille, lectures de papiers, et les projets que je construis pour comprendre les choses en les faisant.

Derniers articles

Voir tout →
Les modèles de fondation pour séries temporelles : zero-shot contre spécialiste
Veille

Les modèles de fondation pour séries temporelles : zero-shot contre spécialiste

·6752 mots·32 mins
Veille Séries Temporelles Forecasting Modèles De Fondation Chronos Zero-Shot Backtest MASE Intervalles De Prévision Conformal Prediction Statsforecast Python
Quand un modèle de fondation utilisé sans entraînement bat-il un modèle ajusté sur la série ? Ce que j’ai observé sur un an de charge électrique française, avec la couverture des intervalles et pas seulement l’erreur moyenne, puis en reconstruisant un routeur entre les deux sur 50 séries.

Projets récents

Voir tout →

Produits

Labo

Modèles de fondation pour séries temporelles : prévoir la consommation électrique du lendemain de 3 517 bâtiments tertiaires
Labo

Modèles de fondation pour séries temporelles : prévoir la consommation électrique du lendemain de 3 517 bâtiments tertiaires

··3761 mots
Séries Temporelles Forecasting Modèles De Fondation Chronos-2 LightGBM Énergie Backtest Conformal Prediction Dagster MLflow Python
La veille TSFM appliquée à un responsable d’équilibre fictif, sur données publiques réelles : LightGBM, Chronos-2 et leur mélange contre la prévision J-1 de RTE, publiée et débiaisée. Un MAPE de 2,7 % sur le portefeuille contre 5,6 % sans modèle, un router qui ne bat pas le mélange, un cold-start à la naïve, Timestral et TimesFM 3.0 en addendum, un service Dagster et sa surveillance rejouée.
Impact causal en séries temporelles : mesurer ce que les promotions d'une chaîne d'épicerie rapportent vraiment
Labo

Impact causal en séries temporelles : mesurer ce que les promotions d'une chaîne d'épicerie rapportent vraiment

··2897 mots
Inférence Causale Séries Temporelles Contrefactuel BSTS Tests Placebo Double ML Dagster MLflow Python Retail
Le contrefactuel BSTS de la veille appliqué aux promotions d’une chaîne d’épicerie fictive sur les données Favorita : campagnes détectées plutôt que supposées, registre de donneurs, couverture mesurée sur vérité plantée (0,83 à 0,90 contre 0,5 à 0,7 pour les estimateurs iid), séisme en banc d’essai, Double ML, pipeline Dagster et monitoring.