de zorai308
Guide et exemples pour utiliser Microsoft EconML afin d'estimer les effets de traitement hétérogènes (Double ML, Causal Forest, Deep IV) à partir de données observationnelles.
Fournit des instructions pratiques et des exemples de code pour utiliser la bibliothèque EconML de Microsoft afin d'estimer les effets de traitement hétérogènes et les effets causaux à partir de données observationnelles. Couvre le Double ML (LinearDML), les forêts causales (causal forests) et d'autres apprenants statistiques orthogonaux avec des snippets Python exécutables et des références aux docs officielles.
Utilisez cette compétence lorsque vous devez estimer des effets de traitement moyens ou conditionnels à partir de jeux de données observationnels où les effets de traitement varient selon les unités, par exemple pour l'évaluation de politiques personnalisées, la modélisation d'uplift ou l'estimation d'effets causaux en économie et marketing. Elle est utile aux data scientists souhaitant des exemples reproductibles pour les flux de travail Double ML et causal forest.
Idéalement utilisée par des agents et environnements capables d'exécuter des snippets Python (agents avec capacité d'exécution Python ou de lancement de code, ex. runtimes style Codex/Copilot, Claude Code).
Cette compétence n'a pas encore été examinée par notre pipeline d'audit automatisé.
Base de Connaissances (Centre d'Aide)
Conseils et modèles pour concevoir l'architecture d'un centre d'aide, rédiger des articles de support efficaces et optimiser la recherche pour maximiser la redirection vers le libre-service.
OpenAI CLIP
Pré-entraînement contrastif langage-image (classification d'images zero-shot, similitude image-texte et récupération cross-modale).
Weights & Biases (wandb)
Intégrez Weights & Biases pour le suivi d'expériences ML : journalisez les métriques, les hyperparamètres, les points de contrôle, lancez des sweeps et consultez des tableaux de bord collaboratifs.
