J'adore que ce soit un projet mexicain local avec une ingénierie de classe mondiale. Ses modèles sont incroyablement faciles à utiliser avec quelques lignes de code, rapides et rentables, et le catalogue est très diversifié : des bases statistiques classiques, en passant par les méthodes d'apprentissage automatique, jusqu'aux modèles neuronaux et de fondation comme TimeGPT. J'ai plus d'expérience avec la bibliothèque statsforecast, qui, si vous avez déjà utilisé le package `forecast` de Dr Rob Hyndman dans R, vous vous sentirez comme chez vous : l'API semble familière tout en ajoutant de nombreuses commodités modernes. En plus de cela, des extras tels qu'une riche suite de métriques d'erreur, une validation croisée intégrée, des générateurs de caractéristiques statistiques, une exécution évolutive sur Pandas et PySpark, des intervalles de prévision probabilistes, et même un assistant IA intégré sur sa page web pour rendre le travail quotidien sur les séries temporelles délicieusement productif. Avis collecté par et hébergé sur G2.com.
La validation croisée, bien que puissante, est encore difficile à configurer et pas très intuitive. Malgré l'assistant IA pratique, une documentation en ligne plus claire et davantage d'exemples d'utilisation feraient gagner du temps, surtout lorsque les hallucinations de l'IA vous obligent à vérifier les sources primaires. Enfin, cela me surprend que la bibliothèque ne soit pas déjà beaucoup plus populaire ; quelque chose d'aussi bon mérite un public plus large ! Avis collecté par et hébergé sur G2.com.
L'évaluateur a téléchargé une capture d'écran ou a soumis l'évaluation dans l'application pour les vérifier en tant qu'utilisateur actuel.
Validé via Google en utilisant un compte e-mail professionnel
Avis organique. Cet avis a été rédigé entièrement sans invitation ni incitation de la part de G2, d'un vendeur ou d'un affilié.
Cet avis a été traduit de English à l'aide de l'IA.








