La qualité de votre travail est indéniable. Les vidéos et les animations que vous avez créées étaient non seulement visuellement attrayantes, mais elles étaient aussi riches en contenu informatif. Chaque détail a été soigneusement élaboré, et cela se voit dans le résultat final. En suivant ce cours, j'ai acquis une compréhension beaucoup plus profonde du Machine Learning grâce à votre enseignement. Votre passion pour le sujet est évidente, et elle a été contagieuse pour nous tous.
Mille mercis à toi pour ta générosité. C'est incroyable d'offrir gratuitement des vidéos de cette qualité ! Toutes soutenues par ta pédagogie sans faille, et une transmission communicative de ta passion.
Bonjour Guillaume. Encore merci pour cette vidéo. Vous arrivez à rendre simple des sujets tout de même complexes. en claire , c'est du grand art ! J'attends votre prochaine vidéo avec impatience. Bien à vous
Merci infiniment pour ces vidéos. Au paravant je croyais que je ne peux pas comprendre la mathématique derrière deep learning. Mais grâce à tes vidéos, ça semble facile.
Merci pour ces vidéos de super qualité. J'espère que vous allez nous faire une vidéo sur la rétropropagation du gradien jusqu'à à présent est flou dans ma tête, il y a que vous qui peut le rendre claire, tu explique telemenent bien. Chapeau
Une chaîne comme on les aimes, franchement super. Merci beaucoup pour tes partages, rendre accessible ce genres de connaissances est tellement une chance!! Grand MERCI
Merci Guillaume pour le partage de tes connaissances. Le contenu est expliqué de manière très pédagogique, en français, ca faisait longtemps que je cherchais quelque chose d'aussi limpide. Merci
On trouve souvent des commentaires dithyrambique sur les vidéos de vulgarisation, mais là, c'est de loin ce que j'ai vu de mieux, et tous sujets confondus !!! À la fois surprenant et parfait.
J'étais pas prêt. Juste curieux de comprendre comment ça fonctionne, mais moi je suis mécanicien de base. Alors les 3 vidéo précédente était vraiment ouf pour moi et mon niveau bacpro! Enfin nous y voilà, la partie que j'attendais. Je ne pensais vraiment pas quil y avait autant de math derrière ça
Merci beaucoup pour la vidéo, très cohérentes et digestes tes explications même si t'es allé un peu vite avec le code mais bon ça se comprends vu la durée de la vidéo, toutefois j'ai pu tenir jusqu'à la fin ayant tout compris et j'en suis fière, c'est ouf ce que j'ai appris en une seule vidéo merci encore frère
Bravo ! Juste bravo ! C'est tres bien de pouvoir tout suivre jusqu'au bout, et progresser ainsi comme vous le faites. Oui il y a beaucoup d'infos et je comprends qu'il faille un peu s'accrocher. Mais vraiment bravo je suis tres content si en plus vous etes fier de vous ! c'est super continuez comme ca !
Vous êtes de loin le meilleur de ce que j'ai encore vue jusqu'à présent. je m'intéresse à la science de données et je pense que vous me donner plus envie de me plonger dans ce domaine qui regroupe ( les maths😍) et l'informatique. Merci Mr Guillaume
Bonsoir Guillaume. Merci beaucoup vraiment. J'ai fait l'exercice et j'ai été satisfaite du résultat obtenu. Avec un learning rate de 0.1 et 1000 itérations j'ai obtenu un score de 96% et la prédication sur les 10 premières images des données tests donne un résultat exact.
bonjour Guillaume, merci pour ce super travail que je vais ré-exploiter avec mes élèves (terminale NSI & MATH) pour les projets tout au long de l'année ; sympa 🤣
Une vidéo super bien faite. Apprendre avec toi est un réel plaisir. Je n'ai pas de mots assez forts pour te remercier. Vicement la prochaine et merci Guillaume
Merci beaucoup Monsieur Guillaume, je vais essayer de faire l'exercice mais je suis très sûr que j'aurai à vous poser la question à chaque difficultés que je pourrais rencontrer. 🙏
Premiers retours sur l'exercice. Effectivement j'ai plusieurs problèmes sur le Log loss avec les paramètres alpha 0,1 et n_iter 100. Parfois j'ai des "nan", ou une division par 0...bilan sur le trainset je n'ai que 0,5 d'accuracy score. Je vais essayer de changer les paramètres mais j'avais une question: la fonction de log loss de sklearn ne travaille pas au niveau matriciel, mais au niveau unitaire semble t-il, au niveau de chaque observation. Me trompe-je ? ou faut-il adapter la fonction pour la matricialiser ? Merci Guillaume, bonne soirée.
De bons progres ! bravo ! Je vais répondre a tout cela dans la prochaine vidéo, en attendant : 1 -> la log_loss vous donne un probleme (log(0) parce que la fonction exponentielle sature quand Z devient trop grand, sklearn ne vous donne pas ce probleme parce qu'elle ajoute une constante 1e-15 dans le log (pour éviter d'avoir log(0) 2 -> vous obtenez une performance d'environ 0.5 sur le testset, c'est normal (le modele est en overfitting pour plusieurs raisons que j'expliquerais dans la prochaine vidéo)
Salut Mr je suis Amagaga Omboga Enseignant de lycée en électrotechnique. Intéressants vos contenus. Je vise utiliser ces commandes en électrotechnique de puissance.
Que rajouter à ces multiples éloges amplement méritées. Bravo et merci Guillaume ; du grand art. Dommage que cela suscite des commentaires aussi navrants que le précédent, allergique à certains accents là où la reconnaissance serait la moindre des choses.
Merci beaucoup. Oh je n'ai pas vraiment remarqué qu'il y avait des critiques, mais s'il y en a ca n'est pas grave, au contraire je suis a l'écoute des remarques.
Mais quelle joie.! J’aurais aimé avoir ce code avec tensorflow et Keras pour comparaison. Cependant, cela peut être vu par après. Mais c’est une superbe continuité de ce qui a été vu dans les vidéos précédentes! Merci du temps consacré et de cette présentation simplifiée d’un sujet qui peut être vu comme complexe. Merci Guillaume!!
Bonjour, Vidéo de très haute qualité qui vient s'inscrire dans la continuité de tout le reste depuis le début de la formation DL, cependant j'aurais bien aimé passer plus de temps sur la manière de réaliser les graphiques 3D et animations en fin de vidéo même si l'idée générale à propos de l'évolution des différentes fonctions et ce qu'elles viennent illustrer est très clair.
Merci beaucoup pour tes formations vraiment. Actuellement je travaille sur un projet que je crois bien devoir intégrer du deep learning dedans mais j'ai beaucoup de soucis avec le modèle. C'est un projet de vision par Ordinateur de vidéo surveillance qui porte sur la détection des situations à risques ou dangereuses. Si tu pouvais m'aider juste un peu dans ce sens vraiment .... Encore une fois de plus merci beaucoup et stp ne cesse jamais de faire des formations pour nous.
Peut-on autant être émue d'une joie aussi grande qu'un orgasme ( mes excuse mais c'est ce que je ressens en ce moment en suivant ce cours 😅) ? Et pour ceux qui n'ont pas encore rejoint tipee et les autres plateformes de Guillaume, Vous ratez gros.. Merci Guillaume pour ce travail de qualité !
@@MachineLearnia J'ai essayé de passer par le PCA en réduisant les dimensions du X_train et X_test à 90% de variance (ça donne 174 composantes) ; le modèle apprend très vite, mais on a toujours un score d'environ 56% sur le test_set !
Merci Beaucoup pour ta vidéo.39 min de pur plaisir.Tu expliques tellement bien.J'ai appris énormément de notions. Au passage j'ai réalisé l'exercice en fin de vidéo.Effectivement j'ai eu des problèmes avec le log_loss que nous avons programmé. Par contre celui de sklearn fonctionne.Je suis un peu déçu parce que mon taux d'exactitude sur les données d'entrainement est de 1 avec un learning_rate de 0.1 et un nombre d’itération de 15000.Toutefois le taux d'exactitude sur les données tests est de 0.5. En d'autres mot mon neurone à 50% de chance de trouver de bonnes réponses sur un jeu de données test. Je vais m’améliorer et me corriger avec ta prochaine vidéo. Merci beaucoup Guillaume.
Bravo pour avoir réussi a faire l'exercice de toi meme ! Oui la fonction de sklearn fonctionne car elle utilise un petit epsilon comme je l'implémente dans la vidéo suivante (mais qui fonctionne juste un peu différemment) Pour améliorer le modele, il faudra passer a un modele non linéaire (programme des vidéos suivantes) :)
Cher Guillaume, si je ne commente plus le reste des vidéos, c'est simplement que je n'en ai plus😀. Je suis tout simplement abasourdi. Tu peux toutefois etre sûr que je continuerai à liker.
Merci pour cette vidéo! Pour l'exercice, j'ai un score de 99% sur le train set qui tombe à 52% en testant mon neurone sur le test set 😅 J'imagine que c'est l'overfitting mais lorsque j'ai ploté la loss pour le train et la loss pour le test, rien ne montrait qu'on avait bien un overfitting, les courbes était très proches.
Question idiote as tu fais de la cross validation ? Par ailleurs n’oublie pas qu’ont peut aussi over fit sur le test set en outre il ne faut surtout pas optimiser sont modèles sur le test set .
C'est vraiment très important... Merci de me faire rafraichir la mémoire surtout sur les concepts mathématiques que j'ai étudiés à l'univ. mais sans savoir leur utilité tel gradient, Jacobien.... c'est vraiment un domaine motivant à connaitre en plus BRAVO pour tes explications pédagogiques très claires... je suis dans le domaine informatique et j'aimerai bien approfondir mes connaissances dans ce domaine d'intelligence artificielle à quoi vous pouvez de conseiller sachant que j'ai des bagages modestes qui pourront peut être m'aider pour avancer. j'ai suivi ces premières vidéo alors je trouve que je peux suivre et améliorer les choses. Est ce que vous pouvez me recommander les logiciels à utiliser pour programmer complétement les neurones artificielles, (python seul ou il y en a d'autres qui complètent qui facilite la tâche plus ). Merci beaucoup et bon courage
Bonjour et merci pour votre message. Dans la pratique, pour développer des réseaux de neurones, on utilise Tensorflow et la librairie Keras, c'est le plus simple, et si vous aimez beaucoup la programmation Python, OOP, alors utilisez Pytorch (mais c'est un peu plus compliqué a prendre en main)
Bonjour, J'ai essayé de faire l'exercice sur les chiens/chats. J'ai procédé de cette manière : def applatir_donnees(X): liste_X_flatten =[ ] for i in range(X.shape[0]): liste_X_flatten.append(X[i].flatten()) return np.array(liste_X_flatten) ##Normalisation X_train = X_train/255 ## Applatir des données X_train = applatir_donnees(X_train) # entrainement W_final,b_final = artificial_neuron(X_train, Y_train,learning_rate=0.01, n_iteration=4000) J'obtiens un courbe d'apprentissage qui est bien décroissante mais comme je n'ai pas utilisé la fonction de sklearn à la place de la fonction log_loss, je ne sais pas si j'ai réellement une bonne réponse ou si c'est un coup de chance. Merci pour vos vidéos !!
Merci beaucoup pour ce travail et le partage de votre savoir et savoir faire. Je me demandais pour quelles raisons la performance du modèle ne pouvait pas être supérieure à 89% (27':30'' de la vidéo) ? En effet, à l'examen de la répartition des points jaunes et verts on peut facilement identifier une limite/droite qui permettrait d'avoir une meilleure performance du modèle. Cette droite aurait une pente moins importante et donnerait une performance de 93% puisque seulement 4 points jaunes resteraient au dessus de cette droite/limite.
Bonjour je vient de découvrir votre intéressent contenu, merci infiniment , pourrirait vous slvp partager avec nous comment apprendre a faire ses excellentes illustrations j'ai mon PFE dans pas long temps et d'ailleurs que durait vous sur le sujet (detection of financial fraud using artificial intelligence) hâte d'entendre votre retour .
Incroyable, je suis en école d'ingénieur et tes vidéos sont extrêmement intéressantes, je pense avoir compris l'essentiel, en tout cas pour les problèmes à 2 voir 3 variables. Mais je me pose une question, comment fait on pour se représenter la situation pour un problème à + de 3 variables..? Une représentation graphique n'étant pas possible je me demande s'il y'a un autre moyen de se le représenter.
Merci beaucoup pour cette vidéo, mon premier neurone ! J'ai fais l'exercice et après 1x10^6 itérations j'atteins une précision de 0.53 sur le testset ce qui est peu mais déjà très bien avec 1 seul neurone. EDIT: Mes hyperparamètres n'étaient pas très bon, avec un meilleur learning rate j'arrive à une précision de 60% sur le testset.
![KAYTRANADA - Witchy (feat. Childish Gambino) [Official Video]](http://i.ytimg.com/vi/jGK3YVmGZ3Y/mqdefault.jpg)
Une vidéo deep learning parfaite sans l'accent indien. Rare sur youtube
Ahah je vois bien ce que tu veux dire ! ^^
🤣 Ca c'est vrai.
C'est pas sa seule qualité.
Loin de là.
@Georges On dirait que l’accent indien te dérange
Très bon français au vrai sens du terme ;)
La qualité de votre travail est indéniable. Les vidéos et les animations que vous avez créées étaient non seulement visuellement attrayantes, mais elles étaient aussi riches en contenu informatif. Chaque détail a été soigneusement élaboré, et cela se voit dans le résultat final.
En suivant ce cours, j'ai acquis une compréhension beaucoup plus profonde du Machine Learning grâce à votre enseignement. Votre passion pour le sujet est évidente, et elle a été contagieuse pour nous tous.
Mille mercis à toi pour ta générosité. C'est incroyable d'offrir gratuitement des vidéos de cette qualité ! Toutes soutenues par ta pédagogie sans faille, et une transmission communicative de ta passion.
Je suis tombé amoureux des animations. Quelle pédagogie! 🤩
Vous êtes incroyable ! Vous simplifier ce qui est complexe! Waou!
Chapeau !
Et bravo à vous !
Tu arrives à expliquer quelque chose de complexe tellement facilement c'est dingue !
ca fait bien plaisir !
la pédagogie n'est pas donnée à n'importe qui , tellement il maîtrise extrêmement bien le sujet il lui apparaît très facile à l'expliquer .
@@MachineLearnia :)
Excellent, très bien magnifique. 38min et 55 secondes de plaisir. Tu m'as permis de comprendre énormément de choses où j'avais des difficultés 👌🏿
Je suis tres content de l'apprendre :)
Bonjour Guillaume.
Encore merci pour cette vidéo.
Vous arrivez à rendre simple des sujets tout de même complexes.
en claire , c'est du grand art !
J'attends votre prochaine vidéo avec impatience.
Bien à vous
Merci beaucoup pour ce compliment ! ca me motive beaucoup ! :)
Énorme travail! Pas facile de démistifier un contenu pareil. Toujours le meilleur, merci Guillaume!
Merci beaucoup, ca me touche !
Vraiment c des videos d cours dont je revais réellement dapprendre vous etes prof un cadeau du ciel. C top le detail jamais vu , merci infiniment
Merci monsieur vous êtes très pédagogue c'est un plaisir.
Merci infiniment pour ces vidéos. Au paravant je croyais que je ne peux pas comprendre la mathématique derrière deep learning. Mais grâce à tes vidéos, ça semble facile.
Vraiment T le meilleur
j'ai fait ça à l'uni mais je ne comprenais rien et t'arrive à l'expliquer ausssi facile
chapeau !
de rien ! :)
c'est travail d'excellence !!! merci ..vous m'avez ouvert une case de mémoire que je n'ai pas pu l'ouvrir auparavant!!! merci
Splendide vidéo d'explication d'un neurone artificiel. Claire, précise, expliquée avec pédagogie, la valeur de cette formation est sans limites !
Merci pour ces vidéos de super qualité. J'espère que vous allez nous faire une vidéo sur la rétropropagation du gradien jusqu'à à présent est flou dans ma tête, il y a que vous qui peut le rendre claire, tu explique telemenent bien. Chapeau
Oui je vais sortir une vidéo la dessus. Si vous etes impatient, elle est déja disponible sur Tipeee
bravooooooooo c'est exeptionnel!!!! votre explication est géniale et simple on ne s'ennuie pas en l'a regardant. chapeau Monsieur.
Une chaîne comme on les aimes, franchement super. Merci beaucoup pour tes partages, rendre accessible ce genres de connaissances est tellement une chance!! Grand MERCI
Merci pour le compliment !
Merci beaucoup, il faut être passionné et avoir de la patience pour réaliser ce travail magnifique...merci Guillaume.
Je suis passionné et heureux de pouvoir faire des vidéos pour des gens également passionnés de les regarder, comme vous ! :)
Un grand merci et bravo pour ce super travail très pédagogique.
Merci Guillaume pour tous tes efforts pour cette belle introduction au Deep Learning.
je t'en prie !
Merci Guillaume pour le partage de tes connaissances. Le contenu est expliqué de manière très pédagogique, en français, ca faisait longtemps que je cherchais quelque chose d'aussi limpide. Merci
Merci pour ton message :)
Pas de mot pour décrire la formation! C'est tout simplement incroyable😘
Yesssss enfin 🥰🥰🥰 je sais déjà quoi faire de ma soirée 😁
Ah ca fait tres plaisir de lire ca !
Merci beaucoup Monsieur Guillaume, très attendu !
Merci a vous !
On trouve souvent des commentaires dithyrambique sur les vidéos de vulgarisation, mais là, c'est de loin ce que j'ai vu de mieux, et tous sujets confondus !!!
À la fois surprenant et parfait.
Merci beaucoup, j'en suis tres flatté !
Et donc la voici enfin ! Beau boulot à toi ! J'en aurais pas besoin tout de suite pour mes vaches mais cela est tres inspirant !
Ahah yes ;)
J'étais pas prêt. Juste curieux de comprendre comment ça fonctionne, mais moi je suis mécanicien de base. Alors les 3 vidéo précédente était vraiment ouf pour moi et mon niveau bacpro! Enfin nous y voilà, la partie que j'attendais. Je ne pensais vraiment pas quil y avait autant de math derrière ça
Merci beaucoup pour la vidéo, très cohérentes et digestes tes explications même si t'es allé un peu vite avec le code mais bon ça se comprends vu la durée de la vidéo, toutefois j'ai pu tenir jusqu'à la fin ayant tout compris et j'en suis fière, c'est ouf ce que j'ai appris en une seule vidéo merci encore frère
Bravo ! Juste bravo ! C'est tres bien de pouvoir tout suivre jusqu'au bout, et progresser ainsi comme vous le faites. Oui il y a beaucoup d'infos et je comprends qu'il faille un peu s'accrocher. Mais vraiment bravo je suis tres content si en plus vous etes fier de vous ! c'est super continuez comme ca !
S'il vous plaît je n'arrive pas à télécharger les données de chat et de chien
comment télècharger les DATASETS à partir de GITHUB ?
Excellente video!! Elle est tres explicite et d'une qualite tres rare..
Bonne continuation Guillaume!
Merci a vous !
Vous êtes de loin le meilleur de ce que j'ai encore vue jusqu'à présent. je m'intéresse à la science de données et je pense que vous me donner plus envie de me plonger dans ce domaine qui regroupe ( les maths😍) et l'informatique. Merci Mr Guillaume
Merci a vous pour votre soutien !
J'adore vraiment les explications sont parfaits et la voie donne envie d'en apprendre plus.
Merci beaucoup.
Bonsoir Guillaume. Merci beaucoup vraiment. J'ai fait l'exercice et j'ai été satisfaite du résultat obtenu. Avec un learning rate de 0.1 et 1000 itérations j'ai obtenu un score de 96% et la prédication sur les 10 premières images des données tests donne un résultat exact.
bonjour Guillaume, merci pour ce super travail que je vais ré-exploiter avec mes élèves (terminale NSI & MATH) pour les projets tout au long de l'année ; sympa 🤣
j'ai jamais vu une video de tel qualité vraiment c'est tres gentil de votre part merci bcp !!
Une vidéo super bien faite. Apprendre avec toi est un réel plaisir. Je n'ai pas de mots assez forts pour te remercier. Vicement la prochaine et merci Guillaume
Cette vidéo est magnifique Guillaume Merci beaucoup 🙏
Merci a vous !
Merci pour ce super travail, cela t'est si aisé franchement trop fort✌
Je vous remercie pour votre traville précieux, thanks
Merci énormément pour le Travail de géant que vous abattez .J'ai vraiment hâte de voir la suite. Merci!!!
Merci a vous ! la suite sortira bientot !
J'ai tellement attendu cette vidéo quelle qualité je suis en larmes
Merci beaucoup, ca me fait tres plaisir de vous voir aussi ému ! :)
Meilleure chaîne, meilleure série. Je suis content de m'abonner à cette chaîne. Tout est parfaitement clair. J'attends la prochaine vidéo !!!!
Merci, ca me touche beaucoup ! :)
quelle générosité mille merci pour vos efforts
comment télècharger les DATASETS à partir de GITHUB ?
Merci beaucoup Monsieur Guillaume, je vais essayer de faire l'exercice mais je suis très sûr que j'aurai à vous poser la question à chaque difficultés que je pourrais rencontrer. 🙏
Je vous conseille d'essayer l'exercice oui :)
Bonjour Guillaume, excellente leçon, très pédagogique, je vais m'attaquer à l'exercice....
Premiers retours sur l'exercice. Effectivement j'ai plusieurs problèmes sur le Log loss avec les paramètres alpha 0,1 et n_iter 100. Parfois j'ai des "nan", ou une division par 0...bilan sur le trainset je n'ai que 0,5 d'accuracy score. Je vais essayer de changer les paramètres mais j'avais une question: la fonction de log loss de sklearn ne travaille pas au niveau matriciel, mais au niveau unitaire semble t-il, au niveau de chaque observation. Me trompe-je ? ou faut-il adapter la fonction pour la matricialiser ? Merci Guillaume, bonne soirée.
De bons progres ! bravo ! Je vais répondre a tout cela dans la prochaine vidéo, en attendant :
1 -> la log_loss vous donne un probleme (log(0) parce que la fonction exponentielle sature quand Z devient trop grand, sklearn ne vous donne pas ce probleme parce qu'elle ajoute une constante 1e-15 dans le log (pour éviter d'avoir log(0)
2 -> vous obtenez une performance d'environ 0.5 sur le testset, c'est normal (le modele est en overfitting pour plusieurs raisons que j'expliquerais dans la prochaine vidéo)
Salut Mr je suis Amagaga Omboga Enseignant de lycée en électrotechnique. Intéressants vos contenus. Je vise utiliser ces commandes en électrotechnique de puissance.
merci mille fois monsieur, c'est ça la pédagogie.
Tres bien expliquer. je me sens deja comme un expert en machine learning😆
Que rajouter à ces multiples éloges amplement méritées. Bravo et merci Guillaume ; du grand art. Dommage que cela suscite des commentaires aussi navrants que le précédent, allergique à certains accents là où la reconnaissance serait la moindre des choses.
Merci beaucoup. Oh je n'ai pas vraiment remarqué qu'il y avait des critiques, mais s'il y en a ca n'est pas grave, au contraire je suis a l'écoute des remarques.
Merci beaucoup :D hâte de voir la vidéo sur Tensorflow et Keras
interessée
Vous êtes vraiment le meilleur, merci pour la vidéo très très intéressante..
Merci a vous !
Mais quelle joie.!
J’aurais aimé avoir ce code avec tensorflow et Keras pour comparaison.
Cependant, cela peut être vu par après.
Mais c’est une superbe continuité de ce qui a été vu dans les vidéos précédentes!
Merci du temps consacré et de cette présentation simplifiée d’un sujet qui peut être vu comme complexe.
Merci Guillaume!!
Oui, on verras comment faire ca avec Keras plus tard !
I cannot believe this content is for free ! I would pay tens if you wanted !
Merci pour cet incroyable boulot.
Bonjour,
Vidéo de très haute qualité qui vient s'inscrire dans la continuité de tout le reste depuis le début de la formation DL, cependant j'aurais bien aimé passer plus de temps sur la manière de réaliser les graphiques 3D et animations en fin de vidéo même si l'idée générale à propos de l'évolution des différentes fonctions et ce qu'elles viennent illustrer est très clair.
Merci beaucoup pour tes formations vraiment. Actuellement je travaille sur un projet que je crois bien devoir intégrer du deep learning dedans mais j'ai beaucoup de soucis avec le modèle. C'est un projet de vision par Ordinateur de vidéo surveillance qui porte sur la détection des situations à risques ou dangereuses. Si tu pouvais m'aider juste un peu dans ce sens vraiment .... Encore une fois de plus merci beaucoup et stp ne cesse jamais de faire des formations pour nous.
désolé pour la réponse tardive, vous avez résolu le probleme ? sinon vous pouvez me contacter sur discord.
c'est super bien fait! merci pour ce grand travail!
Super boulot. Merci Guillaume.
Merci a vous !
Peut-on autant être émue d'une joie aussi grande qu'un orgasme ( mes excuse mais c'est ce que je ressens en ce moment en suivant ce cours 😅) ? Et pour ceux qui n'ont pas encore rejoint tipee et les autres plateformes de Guillaume, Vous ratez gros..
Merci Guillaume pour ce travail de qualité !
Merci beaucoup pour votre reconnaissance, ca me touche vraiment ! Et le coté orgasmique, ahah, je préfere oublier :')
Comment rejoindre ces plateformes?
comment télècharger les DATASETS à partir de GITHUB ?
Excellent.. 👍 vidéo très attendue
Merci !
C'est vraiment passionnant... maintenant, je serai curieux de savoir quelles données il faut recueillir pour apprendre à conduire à l'ordinateur 😅
Tout est excellent ! Que ça soit le montage, la narration, le contenu … ! Mes félicitations ! :-)
Merci beaucoup :)
@@MachineLearnia J'ai essayé de passer par le PCA en réduisant les dimensions du X_train et X_test à 90% de variance (ça donne 174 composantes) ; le modèle apprend très vite, mais on a toujours un score d'environ 56% sur le test_set !
Merci Beaucoup pour ta vidéo.39 min de pur plaisir.Tu expliques tellement bien.J'ai appris énormément de notions.
Au passage j'ai réalisé l'exercice en fin de vidéo.Effectivement j'ai eu des problèmes avec le log_loss que nous avons programmé. Par contre celui de sklearn fonctionne.Je suis un peu déçu parce que mon taux d'exactitude sur les données d'entrainement est de 1 avec un learning_rate de 0.1 et un nombre d’itération de 15000.Toutefois le taux d'exactitude sur les données tests est de 0.5. En d'autres mot mon neurone à 50% de chance de trouver de bonnes réponses sur un jeu de données test.
Je vais m’améliorer et me corriger avec ta prochaine vidéo.
Merci beaucoup Guillaume.
Bravo pour avoir réussi a faire l'exercice de toi meme ! Oui la fonction de sklearn fonctionne car elle utilise un petit epsilon comme je l'implémente dans la vidéo suivante (mais qui fonctionne juste un peu différemment)
Pour améliorer le modele, il faudra passer a un modele non linéaire (programme des vidéos suivantes) :)
comment télècharger les DATASETS à partir de GITHUB ?
Toujours à la hauteur. Merci beaucoup.
Merci a vous !
Cher Guillaume, si je ne commente plus le reste des vidéos, c'est simplement que je n'en ai plus😀. Je suis tout simplement abasourdi. Tu peux toutefois etre sûr que je continuerai à liker.
Merci beaucoup !
Très bonne pédagogie avec des animations cools.
Best teacher I have ever seen
Thanks a lot
Merci pour cette vidéo! Pour l'exercice, j'ai un score de 99% sur le train set qui tombe à 52% en testant mon neurone sur le test set 😅
J'imagine que c'est l'overfitting mais lorsque j'ai ploté la loss pour le train et la loss pour le test, rien ne montrait qu'on avait bien un overfitting, les courbes était très proches.
Essaye de tracer la courbe d'accuracy ;) tu vas voir le décalage :D
Bien joué sinon !
Question idiote as tu fais de la cross validation ?
Par ailleurs n’oublie pas qu’ont peut aussi over fit sur le test set en outre il ne faut surtout pas optimiser sont modèles sur le test set .
@@David-rb9lh Non, pas de gridsearchCV ici, mais tu peux en faire une si tu veux !
Worked , thanks a lot!
Félicitations, un cours très pédagogique
Merci !
Toujours le meilleur, merci Guillaume
C'est vraiment très important... Merci de me faire rafraichir la mémoire surtout sur les concepts mathématiques que j'ai étudiés à l'univ. mais sans savoir leur utilité tel gradient, Jacobien.... c'est vraiment un domaine motivant à connaitre en plus BRAVO pour tes explications pédagogiques très claires... je suis dans le domaine informatique et j'aimerai bien approfondir mes connaissances dans ce domaine d'intelligence artificielle à quoi vous pouvez de conseiller sachant que j'ai des bagages modestes qui pourront peut être m'aider pour avancer. j'ai suivi ces premières vidéo alors je trouve que je peux suivre et améliorer les choses. Est ce que vous pouvez me recommander les logiciels à utiliser pour programmer complétement les neurones artificielles, (python seul ou il y en a d'autres qui complètent qui facilite la tâche plus ). Merci beaucoup et bon courage
Bonjour et merci pour votre message. Dans la pratique, pour développer des réseaux de neurones, on utilise Tensorflow et la librairie Keras, c'est le plus simple, et si vous aimez beaucoup la programmation Python, OOP, alors utilisez Pytorch (mais c'est un peu plus compliqué a prendre en main)
Merci d'avoir répondu et encore pour votre réactivité et conseils...
Bonjour,
J'ai essayé de faire l'exercice sur les chiens/chats.
J'ai procédé de cette manière :
def applatir_donnees(X):
liste_X_flatten =[ ]
for i in range(X.shape[0]):
liste_X_flatten.append(X[i].flatten())
return np.array(liste_X_flatten)
##Normalisation
X_train = X_train/255
## Applatir des données
X_train = applatir_donnees(X_train)
# entrainement
W_final,b_final = artificial_neuron(X_train, Y_train,learning_rate=0.01, n_iteration=4000)
J'obtiens un courbe d'apprentissage qui est bien décroissante mais comme je n'ai pas utilisé la fonction de sklearn à la place de la fonction log_loss, je ne sais pas si j'ai réellement une bonne réponse ou si c'est un coup de chance.
Merci pour vos vidéos !!
Merci pour tes vidéos, tu es le meilleur.
Merci beaucoup pour ce travail et le partage de votre savoir et savoir faire. Je me demandais pour quelles raisons la performance du modèle ne pouvait pas être supérieure à 89% (27':30'' de la vidéo) ? En effet, à l'examen de la répartition des points jaunes et verts on peut facilement identifier une limite/droite qui permettrait d'avoir une meilleure performance du modèle. Cette droite aurait une pente moins importante et donnerait une performance de 93% puisque seulement 4 points jaunes resteraient au dessus de cette droite/limite.
merci pour la qualité de ton travail
Une autre excellente vidéo! Merci Guillaume!
comment télècharger les DATASETS à partir de GITHUB ?
Superbe vidéo. Merci beaucoup !!
Merci pour cette superbe vidéo
Tellement génial.
Bonjour je vient de découvrir votre intéressent contenu, merci infiniment , pourrirait vous slvp partager avec nous comment apprendre a faire ses excellentes illustrations j'ai mon PFE dans pas long temps et d'ailleurs que durait vous sur le sujet (detection of financial fraud using artificial intelligence) hâte d'entendre votre retour .
Mon algorithme a fait n'importe quoi 😂 Je vais regarder la vidéo suivante pour me réconforter ! super boulot comme toujours !
Ca n'était pas un exercice facile, je vous rassure !
merci pour ce super travail
Merci beaucoup, très attendu. 🥰
Mon plaisir ! :)
😎 suis débutant mais avec ce que je vois la ................................ je respire deja l'expérience ................
ca me fait bien plaisir :)
Merci infiniment pour ces vidéos
Je vous en prie !
Incroyable, je suis en école d'ingénieur et tes vidéos sont extrêmement intéressantes, je pense avoir compris l'essentiel, en tout cas pour les problèmes à 2 voir 3 variables. Mais je me pose une question, comment fait on pour se représenter la situation pour un problème à + de 3 variables..? Une représentation graphique n'étant pas possible je me demande s'il y'a un autre moyen de se le représenter.
Merci beaucoup pour cette vidéo, mon premier neurone ! J'ai fais l'exercice et après 1x10^6 itérations j'atteins une précision de 0.53 sur le testset ce qui est peu mais déjà très bien avec 1 seul neurone.
EDIT: Mes hyperparamètres n'étaient pas très bon, avec un meilleur learning rate j'arrive à une précision de 60% sur le testset.
bien joué, on va faire progresser tout ca par la suite.
I don't have anything to say exelent work but this comment just for the algorithm
Bonjour!! j'ai une petite question:
Pourquoi il y'a deux fonctions predict en ce moment 17:40
Merci beaucoup éminent Prof...
de rien !
Mille mercis
vraiment super merci pour tout.
merci beaucoup !
Merci pour cette nouvelle vidéo.
De rien ! :)
Chapeau bravo et merci
Merci beaucoup pour la vidéo !
De rien ! :)
Excellente vidéo un grand bravo
Merci !
un grand merci
Merci beaucoup.. vous êtes le meilleur :)
De rien ! :)