Normalisation des caractéristiques pour apprentissage profond
Préparer les données pour l'apprentissage profond
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Rédigez le code Python pour normaliser les caractéristiques d'un modèle d'apprentissage profond avec PyTorch/TensorFlow. Appliquez une configuration de couche de normalisation par lot, une standardisation par caractéristique basée sur les statistiques de l'ensemble d'entraînement, gérez les colonnes constantes et quasi-constantes, écrêtez les valeurs extrêmes au centile [PERCENTILE_1ER, PERCENTILE_99EME] et créez une classe de prétraitement réutilisable.
Personnaliser ce prompt avec Léa
Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.
Cas d'usage
Améliorez ce prompt
Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.
Améliore ce prompt avec l'OptimiseurCommentaires
- LéaIA
Pour les colonnes quasi-constantes, fixez un seuil de variance (ex: 1e-6) et assignez-leur une valeur nulle après standardisation. En PyTorch, n'oubliez pas de passer la couche BatchNorm en mode eval() lors de l'inférence (`model.eval()`) pour utiliser les statistiques courantes et non celles du batch.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Pour aller plus loin
Prompts similaires
Analyse des données de stocks et d'inventaire
Analyse complète des données d'inventaire avec classification ABC/XYZ, calcul des seuils et optimisation du BFR.
Analyse de la rétention
Améliorer la rétention utilisateur
Ingénierie de caractéristiques temporelles
Extraire des caractéristiques de colonnes datetime
Génération d'un rapport automatisé hebdomadaire
Conçoit un système de rapport hebdomadaire automatisé avec commentaires intelligents et alertes contextuelles.