Blog — Machine Learning
Machine Learning
XGBoost, Random Forest, SHAP, MLOps — ML industriel du POC à la production.
-
SHAP + XGBoost : root cause analysis industrielle
L'Ishikawa identifie les causes possibles. SHAP + XGBoost identifie les causes réelles, chiffrées, hiérarchisées.
Lire l'article → -
XGBoost pour l'ordonnancement de production industriel
Les temps gamme mentent. XGBoost apprend les vraies durées d'opération à partir de l'historique MES.
Lire l'article → -
Stocks et variabilité : le niveau optimal n'existe pas, il se calcule
Pourquoi la plupart des ETI sur-stockent de 30-50% sans le savoir. Les deux variabilités qui dictent le stock, les formules de safety stock.
Lire l'article → -
XGBoost + Weibull : durée de vie des outillages
Analyse de survie industrielle augmentée par XGBoost. Comparer les courbes de Weibull classiques avec un modèle XGBoost de survie pour optimiser les…
Lire l'article → -
XGBoost + CNN : classification de défauts visuels industriels
Combiner vision par ordinateur et XGBoost pour trier les pièces industrielles. Quand le deep learning extrait les features et le gradient boosting décide.
Lire l'article → -
Agréger les données industrielles : moyenne, EWMA, fenêtres temporelles — le guide de choix
Quelle méthode d'agrégation pour quel type de process ? Moyenne mobile, EWMA, percentile, CUSUM. Process continu vs discret.
Lire l'article → -
XGBoost + SHAP : prédire la conso énergétique d'une usine
XGBoost pour modéliser et optimiser la consommation électrique industrielle. SHAP pour expliquer les drivers au directeur usine.
Lire l'article → -
XGBoost vs Isolation Forest : anomalies capteurs IoT
Deux approches ML pour détecter les anomalies sur flux de capteurs industriels. Quand utiliser la classification supervisée XGBoost vs la détection…
Lire l'article → -
XGBoost + Optuna : optimiser les réglages machine
Quand le plan d'expérience classique ne suffit plus. XGBoost comme surrogate model, Optuna pour l'optimisation bayésienne, et le terrain comme juge final.
Lire l'article → -
XGBoost pour la prévision de demande industrielle
Pourquoi XGBoost bat ARIMA et Prophet sur les séries temporelles industrielles irrégulières.
Lire l'article → -
XGBoost pour prédire le taux de rebut en production
XGBoost appliqué à la prédiction qualité en temps réel. Feature importance sur les paramètres process, seuils adaptatifs, et intégration dans la boucle SPC.
Lire l'article → -
XGBoost pour la maintenance prédictive industrielle
Comment XGBoost surpasse les seuils statiques pour prédire les défaillances machines à partir de signaux vibratoires et thermiques.
Lire l'article → -
Machine Learning pour l'industrie : du signal au modèle en production
Pipeline CRISP-DM appliqué aux signaux industriels, feature engineering time-series, choix de modèles (RF, XGBoost, LSTM), et le vrai sujet qu'on évite.
Lire l'article → -
Machine Learning ou statistiques classiques : l'arbre de choix pour l'industrie
Régression, arbres de décision, random forest, SVM, réseaux de neurones — quand utiliser quoi. Nombre de données, linéarité, explicabilité.
Lire l'article → -
Lean Six Sigma × Machine Learning : le combo qui change la donne
Comment le ML augmente chaque étape DMAIC sans la remplacer. Measure, Analyze, Improve, Control revisités avec les techniques modernes.
Lire l'article →