<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Veille on Kwak Jazz</title><link>https://gwils28.github.io/categories/veille/</link><description>Recent content in Veille on Kwak Jazz</description><generator>Hugo -- gohugo.io</generator><language>fr</language><copyright>© 2026 Wilson Goma</copyright><lastBuildDate>Mon, 09 Nov 2026 00:26:26 +0100</lastBuildDate><atom:link href="https://gwils28.github.io/categories/veille/index.xml" rel="self" type="application/rss+xml"/><item><title>Les modèles de fondation pour séries temporelles : zero-shot contre spécialiste</title><link>https://gwils28.github.io/posts/tsfm-zero-shot-specialiste/</link><pubDate>Fri, 06 Nov 2026 00:00:00 +0000</pubDate><guid>https://gwils28.github.io/posts/tsfm-zero-shot-specialiste/</guid><description>Quand un modèle de fondation utilisé sans entraînement bat-il un modèle ajusté sur la série ? Ce que j&amp;rsquo;ai observé sur un an de charge électrique française, avec la couverture des intervalles et pas seulement l&amp;rsquo;erreur moyenne, puis en reconstruisant un routeur entre les deux sur 50 séries.</description><media:content xmlns:media="http://search.yahoo.com/mrss/" url="https://gwils28.github.io/posts/tsfm-zero-shot-specialiste/router_features.webp"/></item><item><title>L'impact causal en séries temporelles : le contrefactuel et ses placebos</title><link>https://gwils28.github.io/posts/impact-causal-series-temporelles/</link><pubDate>Tue, 27 Oct 2026 00:00:00 +0000</pubDate><guid>https://gwils28.github.io/posts/impact-causal-series-temporelles/</guid><description>Un contrefactuel est une prévision. Ce que j&amp;rsquo;ai observé en le construisant à la main, en mesurant sa couverture sur 100 panels à vérité connue, en plantant quatre violations du design et en l&amp;rsquo;appliquant au cours de Volkswagen après le dieselgate.</description><media:content xmlns:media="http://search.yahoo.com/mrss/" url="https://gwils28.github.io/posts/impact-causal-series-temporelles/cover.png"/></item><item><title>La fréquence de réentraînement en forecasting : exactitude, fraîcheur et stabilité</title><link>https://gwils28.github.io/posts/frequence-reentrainement/</link><pubDate>Sat, 17 Oct 2026 00:00:00 +0000</pubDate><guid>https://gwils28.github.io/posts/frequence-reentrainement/</guid><description>Exactitude, fraîcheur et stabilité ne demandent pas la même fréquence de réentraînement. Ce que j&amp;rsquo;ai observé sur un banc de dix politiques, un modèle analytique, les données d&amp;rsquo;électricité Monash et une simulation causale.</description><media:content xmlns:media="http://search.yahoo.com/mrss/" url="https://gwils28.github.io/posts/frequence-reentrainement/cover.png"/></item><item><title>La réconciliation hiérarchique en forecasting : promesses et limites</title><link>https://gwils28.github.io/posts/reconciliation-hierarchique/</link><pubDate>Tue, 06 Oct 2026 00:00:00 +0000</pubDate><guid>https://gwils28.github.io/posts/reconciliation-hierarchique/</guid><description>MinT garantit la cohérence, pas la précision ni la calibration. Démonstration par la théorie, la simulation, les données RTE et des ventes de comptage.</description><media:content xmlns:media="http://search.yahoo.com/mrss/" url="https://gwils28.github.io/posts/reconciliation-hierarchique/cover.png"/></item></channel></rss>