Méthodes Random Forest et LSTM pour la prévision des matières premières au sein de l'entreprise BATELEC.

Abstract

Dans un contexte où les modèles de machine learning deviennent de plus en plus complexes, la question de leur interprétabilité est devenue centrale. Ce mémoire propose une exploration des approches d'explication des modèles d'apprentissage automatique. Après une présentation des fondements théoriques de la science des données et des typologies de l'apprentissage automatique, nous mettons en œuvre des modèles de prédiction appliqués à un cas industriel réel. Des algorithmes comme Random Forest et LSTM ont été utilisés pour modéliser les données, tandis que les techniques d'interprétation ont permis de comprendre l'impact des variables sur les prédictions. Les résultats montrent que l'intégration de méthodes d'explicabilité améliore significativement la compréhension des modèles, sans compromettre leur performance.