120
Team, T. 3. (2023, Avril 16). Introduction to Decision Trees: Why Should You Use Them? . [en
ligne].
[Consulté
le
10/04/2023].
Disponible
sur
le
web:
https://365datascience.com/tutorials/machine-learning-tutorials/decision-trees/
Thompson, P., Reve, D. et al. (2009). Automated threshold selection methods for extreme wave
analysis. Coastal Engineering. doi:10.1016/j.coastaleng.2009.06.003. Disponible sur le web :
https://www.researchgate.net/publication/223739782
Tianqi, C., & Carlos, G. (2016). XGBoost: A Scalable Tree Boosting System. Washigton:
Université de Washigton, P. 1
Tilbi, K. (2018). Distribution des valeurs extrêmes généralisées - Application en hydrologie.
Mémoire d'ingénieur. Probabilités et statistique. Jijel: Université Mohammed Seddik Ben Yahal.
P. 24
Tioguim, I., Delcaillau, D. (2018). Modélisation d'extrêmes de séries temporelles une étude
empirique. Bretagne: Université de Bretagne, P.P. 14-19
Tomonori, M. (2022, Janvier 20). All You Need to Know about Gradient Boosting Algorithm −
Part 1. Regression. [en ligne]. [Consulté le 16/04/2023]. Disponible sur le web:
https://towardsdatascience.com/all-you-need-to-know-about-gradient-boosting-algorithm-part-1regression-2520a34a502
Verhaeghe, H., Meer, J. W., et al. (2003). Wave overtopping database as the starting point for a
neural network prediction method. doi:10.1061/40733(147)35. ASCE, Proc. Coastal Structures
2003, Portland, 430 p.
Xgboost developers., (2021), Introduction to Boosted Trees.2021, [en ligne].[consulté le
23/04/2023]. Disponible sur le web: https://xgboost.readthedocs.io/en/stable/tutorials/model.html
Yuanchao, W., & Li, M. (2019, Aout). A general architecture of XGBoos. [en ligne]. [Consulté
le 17/04/2023]. Disponible sur le web t: https://www.researchgate.net/figure/A-generalarchitecture-of-XGBoost_fig3_335483097
Team, T. 3. (2023, Avril 16). Introduction to Decision Trees: Why Should You Use Them? . [en
ligne].
[Consulté
le
10/04/2023].
Disponible
sur
le
web:
https://365datascience.com/tutorials/machine-learning-tutorials/decision-trees/
Thompson, P., Reve, D. et al. (2009). Automated threshold selection methods for extreme wave
analysis. Coastal Engineering. doi:10.1016/j.coastaleng.2009.06.003. Disponible sur le web :
https://www.researchgate.net/publication/223739782
Tianqi, C., & Carlos, G. (2016). XGBoost: A Scalable Tree Boosting System. Washigton:
Université de Washigton, P. 1
Tilbi, K. (2018). Distribution des valeurs extrêmes généralisées - Application en hydrologie.
Mémoire d'ingénieur. Probabilités et statistique. Jijel: Université Mohammed Seddik Ben Yahal.
P. 24
Tioguim, I., Delcaillau, D. (2018). Modélisation d'extrêmes de séries temporelles une étude
empirique. Bretagne: Université de Bretagne, P.P. 14-19
Tomonori, M. (2022, Janvier 20). All You Need to Know about Gradient Boosting Algorithm −
Part 1. Regression. [en ligne]. [Consulté le 16/04/2023]. Disponible sur le web:
https://towardsdatascience.com/all-you-need-to-know-about-gradient-boosting-algorithm-part-1regression-2520a34a502
Verhaeghe, H., Meer, J. W., et al. (2003). Wave overtopping database as the starting point for a
neural network prediction method. doi:10.1061/40733(147)35. ASCE, Proc. Coastal Structures
2003, Portland, 430 p.
Xgboost developers., (2021), Introduction to Boosted Trees.2021, [en ligne].[consulté le
23/04/2023]. Disponible sur le web: https://xgboost.readthedocs.io/en/stable/tutorials/model.html
Yuanchao, W., & Li, M. (2019, Aout). A general architecture of XGBoos. [en ligne]. [Consulté
le 17/04/2023]. Disponible sur le web t: https://www.researchgate.net/figure/A-generalarchitecture-of-XGBoost_fig3_335483097