J'ai visionné des dizaines et des dizaines de vidéos, et en toute objectivité, au vu de la qualité du contenu de tes vidéos, j'estime que tu es l'un des meilleurs pédagogues en ce qui concerne l'enseignement de la datascience (français - anglais confondus). Tu mérites beaucoup plus d'abonnés !
Merci beaucoup ! Ma chaîne se développe progressivement, je vais continuer ainsi, chaque semaine, sans m’arrêter, et grâce à votre aide, notre communauté grandira ! Je sais qu'on va y arriver et je suis super motivé pour diffuser ces vidéos aux plus grand nombre :)
Je suis un debutant en datas sciences, je suis entrain de visionner vos videos en ce moment meme , j'aimerais vous dire que je suis entrain de progresser significativement et en plus , vous etes la meilleure pedagogie...
Ce qui est fou, c'est que je vais regarder tes vidéos un certain nombre de fois! C'est trop dingue, j'apprends beaucoup de toi. J'aurais jamais appris tout çà si je devrais simplement me concentrer sur mes projets académiques à Epitech! Merci.
Bonjour Guillaume, Je reprends la série après quelques semaines de pause, je vous suis vraiment très reconnaissant pour la qualité de vos vidéos. Je ne pensais pas qu'un jour je m'attaquerai à la montagne Machine Learning et ceci je le dois grâce à vous. Souvent dans les séries de ce type, on est rapidement découragé par le niveau exigé, ici tout est rendu accessible grâce à votre pédagogie. Merci encore pour le travail effectué, je n'ai qu'une hâte visionner la prochaine vidéo. Bien à vous. Frédéric
Merci beaucoup Thierry ! Je compte faire pas mal de vidéos sur le traitement d'image a l'avenir, a la fois en Deep Learning et également en technique plus mathématique
Ah oui ! Il a fallu attendre, mais là tu casses le game. Arriver à compter le nombre de bactéries à partir d'une photo, et cela en quelques lignes de code, c'est dingue. Moi qui pensais que Scipy était une bibliothèque très orientée recherche et assez ennuyeuse, ... tu viens de me montrer que c'est en réalité une vrai tuerie !
Effectivement une vidéo sur l'optimisation serai très intéressante, avec beaucoup de détails et d'explications. Félicitations pour vos vidéos, elles sont excellentes. Merci
Mr Guillaume est l'un des meilleurs pédagogues en ce qui concerne l'enseignement de la datascience (français - anglais confondus) que j'ai jamais rencontré sur RUclips ... Je decouvre chaque jour une plus grande ingeniosité dans tes formations. Merci champion. J'invite des collègues a la communauté...
In a besoin des vidéos sur des modèles comme RNN, ARIMA , ARIMAX, LSTN, ..... car j'ai un grand projet de data science sur la prediction des commandes clients concernant des produits en Thailandes Merci à vous Guillaume, j'ai le plaisir de voir et revoir vos vidéos, qui m'ont vraiment changé d'avis pour la ML. merci énormément :))))
Merci Guillaume pour ces vidéos toujours très instructives. Celle-ci est très condensée dans les thèmes abordées, elles suscitent d'avantage mon intérêt pour la data science et de la curiosité à tester ces modèles. Bonne continuation.
Bonjour, vraiment génial. J'ai suivi toutes les vidéos jusqu'à maintenant et la qualité ne se dément pas. J'ai reproduit le traitement d'image sur une photo de grain de beautés et c'est vraiment facile de compter ceux ci. Merci pour la vidéo.
Salam, je te félicite pour ton travail entrepris. Et voilà que tout deviens assez facile. Notamment l'explication par des exemples réel. Chapeau encore pour ce travail de qualité.
Bonjour Guillaume et à tous. Ca avance, va falloir commencer à organiser mes notes car si chaque notion prise séparément passe très bien, on commence à avoir pas mal d'outils ;) Sinon question bête sur la dilatation (ca se dit dilation en french ?), on dirait qu'on a 3 méthodes : Méthode A : celle que tu présentes à l'oral, à chaque foi que l'élément structurant touche du blanc, on met tous les pixels de l'élément structurant en blanc (ce que je faisais au début) Méthode B : celle présentée sur tes images, quand le pixel central de l'élément structurant (appelé "anchor" sur tes images) touche du blanc, on met en blanc tous les pixels de l'élément structurant Méthode C : Dès que l'élément structurant touche le blanc, on met en blanc uniquement le pixel central de l'élément structurant (anchor). Inversement pour l'érosion, le pixel est blanc central uniquement si tout l'élément structurant est inclus dans le blanc, si un morceau de l'élément est noir, le anchor est mis en noir Il me semble que B= Id(C) par contre la méthode A ne donne pas le même résultat. De ce que je comprends des équations de morpho math, la C est la "vraie" méthode, donc est ce que je comprends mal, ou ce que les 3 sont OK ? En tout cas merci à toi (si tu lis encore tes com 4 ans après ;) )
j'ai pas les mots, je me sens au coeur de la pratique de tas de théories grace à Python. Merci vraiment. j'aimerais juste si vous pouvez fair une vidéo sur les équations différentielles qui se raccordent avec la Transformation de Fourier dans certains cas Merci
Excellent travail avec une très bonne qualité des vidéos et une très bonne maîtrise du sujet. C'est dommage qu'il n'y a pas suffisamment d'exercices pour chaque notion. Bravo! N.B.: J'ai partagé votre lien avec d'autres collègues.
Excellentes vidéos, Très pédagogue. Peux-tu nous faire plus de vidéos d'optimisation s'il te plait ? Encore mieux si c'est avec du cplex. Merci Beaucoup et continue comme ça, Tu es au TOP
Slt Guillaume, Merci pour cette vidéo toujours très intéressant ! Waouh j'ai hâte de celles sur la NLP, mais avançons pas à pas !! Bon weeek end. Cordialement. Michel
Vraiment top tes vidéos, je fais déjà du machine learning mais j'apprend quand pleins de nouvelles choses ! Si tu as le temps se serait bien que tu fasses une vidéos approfondie sur les maths utiles en machine learning, même si ça te parait évidant avec ton niveau, pour ceux comme moi qui n'ont pas fait de cursus de math. Et une autre vidéos sur scikit serait vraiment génial aussi ! :)
Salut Guillaume ! Je tiens à te remercier pour ta pédagogie ainsi que l'ensemble de tes vidéos qui sont une mine d'informations ! Penses tu que ce serait amusant de faire une vidéo sur de la reconnaissance vocale, par l'intermédiaire du traitement de signal, du type Fourier, etc ? Si cela est possible bien entendu . Je m'exprimes avec mes connaissances de néophyte. Bonne continuation à ta chaine !
Oui SciPy a l'air monstreux, j'ai pu voir qu'il était très utile pour du nettoyage de données, j'aimerais d'autres exemples avec divers possibilités qu'offre scipy.
J'adore tes vidéos ❤ seulement au début de la section "traitement de signal", précisément à l'instant 12:04, ça parle bien de Scipy et non pas de matplotlib 😉 Bon courage
Merci beaucoup pour le soutien ! Malheureusement je ne vais pas faire de Pytorch dans cette série... mais ce n'est que partie remise parce que je compte faire des vidéos Pytorch dans l'avenir proche ! :)
Pas faux Guillaume je valide mieux faux d'abord appréhender les Rouages du machine learning pour ensuite attaquer pytoch qui est plus complexe orienté tensorflow deep learning force à toi
Excellent ton exemple d'application-bilan ! Quelques petites précisions car tu passes très vite sur certaines notions dans cette vidéo très dense : - l'axe des fréquences que tu obtiens dans sur ton graphe de Fourier n'est pas très parlant. Cela vient du fait que ton code ne précise pas à la fonction fftpack.fftfreq quel est le "pas temporel" de ton signal. Il faut également multiplier la fréquence par 2*pi pour que le nombre devant le x dans les fonctions np.sin correspondent bien à la fréquence de la sinusoïde (en effet le sinus étant 2-pi périodique, pour un signal de 1Hz, le sinus doit "voir s'écouler" 2*pi en un temps x = 1s). Si on voulait effectivement obtenir un contenu de fréquences temporelles avec des pics à 1, 5 et 10Hz, par exemple pour un signal relevé par un capteur pendant une durée donnée avec une fréquence d'échantillonnage donnée, on pourrait écrire le code suivant : ''' duration = 10 # durée (s) fs = 50 # fréquence d'échantillonnage (Hz) x = np.linspace(0, duration, duration*fs) y = 3 * np.sin(1*(2*np.pi)*x) + 2 * np.sin(5*(2*np.pi)*x) + np.sin(10*(2*np.pi)*x) fourier = fftpack.fft(y) power = np.abs(fourier) frequences = fftpack.fftfreq(y.size, 1/fs) ''' -19:52 l'érosion d'une image est l'ensemble des pixels (blancs) tels que le motif structurant est CONTENU dans cet ensemble, pour chaque pixel (blanc) restant. Autrement dit, le motif passe sur chaque pixel blanc de l'image de départ, et s'il dépasse de l'ensemble des pixels blancs, alors le pixel blanc actuel est effacé ; en revanche si le motif ne dépasse pas, alors le pixel blanc est conservé. Il faut bien noter que l'ensemble des pixels considéré à chaque pas est l'ensemble des pixels de DEPART, sinon à la fin du processus il ne resterait plus rien. - 20:58 tu aurais pu obtenir un meilleur filtrage des artefacts en remplaçant simplement le motif structurant utilisé par défault, qui est un "+", par un motif carré 3x3. Code : ''' open_x = ndimage.binary_opening(X, np.ones((3, 3))) ''' - 21:47 l'image utilisée : image.slidesharecdn.com/presentation1-120825052533-phpapp02/95/the-microscope-18-728.jpg?cb=1345872384 (l'ouverture du fichier ne fonctionnait pas de premier abord malgré son format .png, j'ai du reconvertir l'image en .png avec image.online-convert.com/convert-to-png. Puis pour la redimensionner afin d'éliminer le texte et les bords blancs : '''image = image[:500,90:620, 0]''')
Merci tout d'abord pour tes vidéos superbes. Pouvez faire une vidéos sur les séries de Fourier et la réponse d'un filtre linéaire à un signal périodique non sinusoïdal. Merci.
Bonjour Guillaume et merci pour ces tutoriels de haute qualité ! Pour la minimisation de la fonction f sur le linspace x j'ai pensé à ce code pour démarrer directement proche du minimum global : > y = f(x) > indice_min = np.argmin(y) > x_min = x[indice_min] > mini_global = optimize.minimize(f, x0=x_min) Cela semble fonctionner assez bien sur les exemples que j'ai tentés. Je souhaite le généraliser à la dimension n car à vue de nez cela reste jouable en 3D via le contour plot mais pas au-delà ; y a-t-il une fonction de type np.argmin() qui renvoie directement les indices du point minimum global d'un ndarray ? Je ne trouve que suivant un axis ou un autre mais pas global... Encore merci pour le travail accompli !!
Bonjour et merci pour cette 16ᵉ vidéo, comme d'habitude c'est limpide ! Tu proposes dans ta vidéo de faire une autre vidéo sur scipy alors comme demande, peux-tu stp faire une vidéo de plus sur scipy? Encore merci pour tes précieux cours !
Bonjour et merci :) Oui c'est prévu ! Mais avant je vais faire une série sur le Deep Learning. Ensuite je vais faire une série sur Scipy en effet, qui rentre bien plus dans les détails. Je compte écrire des petits ebook également. Si tu veux etre au courant de ces prochaines sorties, tu peux t'abonner a notre Newsletter. A bientôt ! :)
Salut et merci, c'est vraiment très intéressant et en plus ta passion est contagieuse. La qualité de tes vidéos est incroyable... Il manque cependant un liens Utip ou Paypal pour te remercier "pour de vrai".
Bonjour merci beaucoup pour votre qui est assez exceptionnel car il est facile à comprendre. Serait-il possible que vous fassiez une vidéo sur preprocessing des données de panel qui sont beaucoup utilisé en économie pour faire des analyses sur un ensemble de pays. Merci d avance
Merci pour cette video. Petite note, la FFT s'utilise aussi pour les signaux apériodiques... D'ailleurs les lecteurs audio de fichier MP3 affichent des histogrammes ou mêmes des effets divers et variés et certains éclairages pour les fêtes se basent sur ce principe. Le principe de la FFT pour les signaux apériodiques est un peu complexe par contre et je crois qu'il se base sur les "ondelettes".
Oui ce que tu dis est vrai, mais pour garder les idées claires pour l'audience j'ai préféré dire qu'il vaut mieux utiliser Fourier sur les signaux périodiques car c'est comme ca que c'est utilisé de base. En tout cas c'est comme ca qu'on l'apprend d'abord en prépa ou a l'université. Je ne savais pas pour les fichiers MP3 merci de m'avoir appris qqch :)
@@MachineLearnia Pas faux. C'est vrai que c'est plus approprié pour les signaux périodiques. En automatique, on utilisait aussi beaucoup la transformée de Laplace qui s'y rattache pour certains aspects. Ca permet de traiter particulièrement bien le problème des régimes transitoires. Après, il y a aussi la transformée en Z mais je ne sais pas si il existe des fonctions en Python pour l'une de ces deux méthodes de calcul... En tout cas, ton filtrage numérique de fréquences est magnifique surtout pour qqn qui a l'habitude des filtres analogiques. Pour avoir une idée plus concrète du résultat, il faudrait jouer l'audio de ton signal non filtré et ensuite du signal filtré. Ah, dans le domaine, un site gratuit assez bien fait pour faire ses propres calculs : www.micromodeler.com/dsp/
Je ne connaissais pas ce site, il est super, merci ! Oui il y a des librairies opensources construites sur numpy pour faire des transformer en Z, mais personnellement je me suis construit ma propre bibliotheque de fonctions pour faire cce genre de choses quand j'en ai besoin (mais ca n'arrive pas vraiment en data science)
Je ne peux voir vos vidéos ss laisser un message ici vraiment excellente formation ML trop d'informations pertinentes sur cette partie 16 il faut la revoir encore et encore... si c'est possible bien sur de rendre un peu too easy(+détail) la partie Transformation de Fourier et image processing Merci d'avance
Un énorme merci ! :) Bravo je vois que vous suivez la formation en entier ! Je vous félicite pour votre motivation ! Oui je ferai 2 vidéos spéciale sur la transformation de Fourier et Image processing dans un avenir proche ! J'adore Fourier ! :)
@@MachineLearnia Merci bien je suis devenue accro à cette chaîne je suis très heureuse d'ailleurs :) grâce à vos efforts, un contenu pertinent qui m'encourage tjrs de découvrir la suite. Merci encore une autre fois et je vous souhaite bonne continuation
Bonsoir, vers 9'50" , pour retrouver le minimum ça serait judicieux de faire une boucle et laisser le processeur cherché n'est pas , exemple : while True : if result.x[0] < optimize.minimize(f, x0+i): minimum = optimize.minimize(f, x0+i) else : minimum = result.x[0] et ça marche . Qu'en pesez-vous Merci pour vos astuces elle sont géniales
Excellent ! Une petite bourde cependant à 12:05, tu dis "dans mathplotlib" au lieu de "dans scipy". Je l'ai repéré certainement parce que j'étais totalement immergé dans ta vidéo ;)
Adresse de l'image: image.slidesharecdn.com/presentation1-120825052533-phpapp02/95/the-microscope-18-728.jpg?cb=1345872384 Je ne la trouvai pas ni sur le code GitHub ni dans le descriptif mais j'ai peut être mal cherché lol Conseil maison, faites une capture d'écran pour ne pas garder les 2 gros bords blancs de cette image jpeg et ainsi obtenir un png beaucoup plus proche de notre enseignant ^^ Sans cela vous aurez de très forte valeurs dans les blancs et un histogramme moins parlant! A plus et encore merci pour cette pédagogie tellement rare à trouver et encore plus en français \O/
Bonjour, très sympa mais quelques raccourcis un peu rapides qui peuvent conduire à une très mauvaise utilisation de FFT. La transformée de Fourrier, à priori ce n'est pas limité aux signaux périodiques (sinon ça ne fonctionnerait jamais avec nos signaux, il ne sont pas infini dans le temps). Il s'agit des séries de Fourier qui concernent des signaux périodiques. Maintenant, ce qui est utilisé c'est la FFT qui ne fonctionne que pour les signaux périodiques... En fait, ce que l'algorithme fait c'est qu'il périodise le signal qu'on lui donne en mettant ce signal au bout de lui-même. Quelques aspects qu'il faut prendre en compte : S'assurer que l'échantillonnage de notre signal soit suffisamment important, si c'est le cas, on ne rate aucune fréquence et on peut traiter le signal. Un deuxième point important est le fait que le début et la fin du signal devraient être au même niveau pour ne pas ajouter de fréquences parasites. Concernant ce qui ressort de la FFT, en fait il s'agit d'un vecteur (si notre signal est un vecteur) composé de nombres complexes. Comme pour la transformée de Fourier telle qu'écrite dans les livres de maths. Il faudrait donc faire une représentation dans un plan 2D, ce qui n'a pas bcp d'intérêts pour du filtrage notamment. Le spectre, qui est la grandeur intéressante, n'est en fait que le module de ce nombre complexe pour toute les fréquences, c'est ce que fait la fonction 'abs', prendre la valeur absolue... ou le module pour un nombre complexe.
Bonjour, je suis toujours tres heureux quand je lis ce genre de commentaire, il apporte beaucoup d'informations, merci beaucoup ! C'est vrai que j'aurais du mieux expliquer cela. :)
Merci pour vos brillantes explications. Svp une fois le nuage de points représenté comment tracer la frontière de décision dans le cadre de la classification? Merci .
Je ferai une vidéo a ce sujet dans pas longtemps+ en attendant vous pouvez vous rendre sur discord pour trouver de l'aide (le lien est dans la description sous la vidéo)
Je trouve que tu fais de belle et bonne vidéo. Peux tu en faire sur l'optimisation non linéaire con contraint par exemple. Merci à toi surtout pour tout.
Hello Guillaume merci pour cette vidéo. Question, dans la section optimize, tu créé un dataset en utilisant une formule de type : y = 1/3*x**3 - 3/5*x**2 + 2 + np.random.randn(x.shape[0])/20 Le 3ième membre (2) n'est pas facteur de x il est isolé tout comme le 4ième (np.random.randn(...)) Or dans la fonction f, on retourne: return a*x**3 + b*x**2 + c*x + d et là c est facteur de x Ne faudrait-il pas que la fonction f retourne : a*x**3 + b*x**2 + c + d à l'image du dataset ? Merci pour tes lumières
Bonjour M. Merci pour vos cours je les trouve très bien et très bénéfiques pour les nouveaux utilisateurs de python comme moi. Moi j'ai un problème avec une représentation graphique. Il s'agit de représenter sur une carte sur python des villes et afficher pour chaque ville un indicateur que j'aurai calculé par exemple la pollution. Merci.
Bonjour et merci beaucoup :) Matplotlib permet de tracer des cartes. Je vous conseille de vous rendre sur le discord de notre communauté (le lien est dans la description) sur lequel plusieurs personnes pourront vous aider. :)
bonjour j'ai une question : par example dans la partie de traitement du signal : x = np.linspace(0, 2, 100) y = x + 4*np.sin(x) + np.random.randn(x.shape[0]) plt.plot(x, y) comment tu as fait pour choisir ces valeurs (0, 2, 100) pourquoi pas d'autres? aussi pourquoi cette fonction précisement y = x + 4*np.sin(x) + np.random.randn(x.shape[0]) quand je lis un code je comprends sa suite logique mais je n'arrive pas a le produire de mon cerveau = écrire un code toute seule. du coup j'aimerais comprendre le file de ta pensée ! merci pour ton temps et ton énergie katia
Merci Guillaume pour ton contenu. Au sujet de la fonction "minimize" de scipy, je n'arrive pas à bien mettre en place et comprendre lorsque nous avons énormément "contraintes" à ajouter dans une fonction (plus de 100 contraintes), l'optimisation devient impossible j'ai l'impression ! Peux-tu faire une vidéo sur le sujet, ou me répondre ? Merci d'avance, Mickaël
Cela ressemble, mais les apparences sont trompeuses, ca n'est pas du tout la meme chose et ne sert pas le meme intéret. Une interpolation ne doit etre utilisée que pour faire des prédiction au sein d'un nuage de point, alors qu'une regression permet de générer un modele généralistes a partir de points
J'ai un petit défi que je n'arrive pas à résoudre avec des fonctions déjà existante... ( Je fais des boucles for imbriquées un peu nulle du coup...) Le but est de faire une interpolation 2d géographique avec la méthode nearest ! Ça parrait simple non ? (Petit détail les 2 grilles de données n'ont pas la même origine)
Je vous propose d'en parler sur le discord, mais je vous prie de bien poser votre question et de proposer un bout de code intéressant et on vous aidera :)
Super vidéo, comme toute les précédentes... Eh, oui, j'ai découvert la chaîne il y a peu... Juste une question sur la correction, en faisant plt.subplot(n//2, n//2, i+1) ne va-t-on pas se retrouver à un cadre de 3*3 pour 6 variables, etc. ? plt.subplot(2, n//2, i+1) ne serait-il pas plus intéressant ?
mrc bcp pour votre génial explication, j aimerais bien savoir est ce que python est le meilleur choix pour traitement de signal (par rapport a matlab par exemple)
Difficile a dire ! Python est plus simple a utiliser que matlab, et aujourd'hui il y a beaucoup plus de ressources en ligne pour trouver de l'aide. Numpy est l'équivalent de matlab pour python et je pense qu'on peut faire a peu près les mêmes choses avec Python et Matlab. C'est une question de gout et de carrière.
Bonjour, pour la partie à 26:26 dans votre tableau numpy la première valeur est à 0, j’ai refait toute cette partie de la vidéo avec une image similaire et je rencontre exactement le même problème que vous, sur mon image s’affiche distinctement 7 bactéries de taille non négligeable néanmoins l’une d’entre elle à pour size 0. J’ai cherché mais je n’ai pas trouvé la raison, auriez vous une idée ? Très bonne vidéo au passage
pourquoi lorsqu'on commence notre minimize avec le point x0=-10, directement nous tombons dans le minimum global? et je aimerai savoir si on ne peut pas, gérer le pas de la descente du gardien
Nous pouvons utiliser plusieurs méthodes de minimisation dans la fonction minimize(). Celle que j'ai utilisée (de souvenir) permet de trouver le minimum global. Il faut consulter le documentation scipy pour voir la liste des méthode d'optimisation disponibles (j'ai laissé le lien dans la description de la video)
Bonjour je remarque un comportement différent, peut-être que la version de scipy a été modifiée, mais vers 11:41 si je prends x0=np.zeros((2,1)) tel que dans la vidéo, j'obtiens une erreur (raise ValueError("'x0' must only have one dimension.")) par contre en définissant x0=[0,0] tout va bien. J'utilise python 3.11.5 et scipy 1.11.1.
Je pense qu'il va falloir vous posez quelques questions pour bien comprendre la nature du problème, Je vous propose de rejoindre le discord de la communauté pour trouver des réponses.
Excellent l'exercice sur les bactérie. Je me demande si on peut remonter à la bactérie la plus grande et positionner un marquer dessus. Je suis certain que c'est faisable Merci pour les vidéos
J'ai réussi à afficher une image ne comportant que la plus grosse bactérie. Je vais laisser mon cerveau fonctionner pour réussir à remonter aux coordonnées. Je suis certain que je n'en suis pas loin.
re bonjour, j'ai regarder la video une nouvelle fois, et ya un truc qui m'a intrigué . Lorsqu'on traite l'image avec ndimage pour éliminer les artéfactes on perd de l'information n'est ce pas? c'est ce que nous as montré avec l'exemple du gros carré jaune avec plein de petits carrés qui gênaient. Mais dis moi, je suis curieux de savoir si c'est possible de récupérer l'information perdu avec la fonction interpolate, pour pouvoir reformer le carré jaune comme il était au dépars , mais sans les autres petits carrés qui gênaient.
Bonne question ! Peut-etre que l'on peut faire cela avec une interpolation, je ne suis pas sur car je ne l'ai jamais fait, j'ai déja utilisé du morphing pour des applications industriels, mais j'utilise surtout le deep learning pour la vision par ordinateur, c'est ma spécialité. Quand j'aurais le temps je ferai une expérience en rapport avec ta question et j'écrirai peut-etre un article sur mon site Internet a ce sujet. Merci a toi :)
Merci ! Oui je pourrais en faire une, voici comment l'utiliser sinon entre temps pour toi :scipy.signal.butter Comme tu vois il est directement disponible dans scypi. Super pratique et simple d'utilisation
je veut te remercier pour vos efforts. j'ai rencontrer des ptits prblms au niveau du modele scipy.integrate et scipy.signal ( butter et sosfiltfilt ) , est ce que te peut faire une petite video dans ce sens là ça serait super et merci
bonjour je tiens tout d'abord a vous remercier pour ces vidéos très instructives mais j'aimerai aussi vous poser une question sur la dilation et l'érosion ,voila en ce moment je travail dans mon stage sur du traitement d'image grâce a un logiciel mais on aimerai faire ce traitement sur python , le logiciel fait de l'outlier sur les images avant traitement PCA, est ce que outlier est la dilation car d'après ce que j 'ai compris du logiciel ca y ressemble merci pour votre réponse.
Bonjour l'ami, je ne sais pas si j'ai découvert cette vidéo en retard, mais j'aimerais bien savoir ce qu'il en est de la vidéo de l'optimisation avec contraintes, si je puis me permettre bien entendu
J'ai visionné des dizaines et des dizaines de vidéos, et en toute objectivité, au vu de la qualité du contenu de tes vidéos, j'estime que tu es l'un des meilleurs pédagogues en ce qui concerne l'enseignement de la datascience (français - anglais confondus). Tu mérites beaucoup plus d'abonnés !
Merci beaucoup ! Ma chaîne se développe progressivement, je vais continuer ainsi, chaque semaine, sans m’arrêter, et grâce à votre aide, notre communauté grandira ! Je sais qu'on va y arriver et je suis super motivé pour diffuser ces vidéos aux plus grand nombre :)
franchement...
@@MachineLearnia Salut tu peux me dire quel est la music que tu utilise en fond à 0:57 ? stp
@@ahmedsyed671 La musique s'appelle "connexion" et est disponible dans la youtube librairy
+1
Je suis un debutant en datas sciences, je suis entrain de visionner vos videos en ce moment meme , j'aimerais vous dire que je suis entrain de progresser significativement et en plus , vous etes la meilleure pedagogie...
Bonjour,chez nous on dit que "tu es dangereux"; c'est l'équivalent de "tu es vraiment bon".tu démystifie le machine learning .Merci vraiment.
Merci de préciser parce que ca peut faire peur de lire "tu es dangereux" ahah ! ^^
Merci beaucoup et a bientôt !
@@MachineLearnia j'en tiendrais compte prochainement.
Ce qui est fou, c'est que je vais regarder tes vidéos un certain nombre de fois! C'est trop dingue, j'apprends beaucoup de toi. J'aurais jamais appris tout çà si je devrais simplement me concentrer sur mes projets académiques à Epitech! Merci.
Bonjour Guillaume,
Je reprends la série après quelques semaines de pause, je vous suis vraiment très reconnaissant pour la qualité de vos vidéos.
Je ne pensais pas qu'un jour je m'attaquerai à la montagne Machine Learning et ceci je le dois grâce à vous.
Souvent dans les séries de ce type, on est rapidement découragé par le niveau exigé, ici tout est rendu accessible grâce à votre pédagogie.
Merci encore pour le travail effectué, je n'ai qu'une hâte visionner la prochaine vidéo.
Bien à vous.
Frédéric
Bravo Frédéric ! Vous avez un mental de vainqueur ! Je vous encourage a continuer ainsi :)
Pour ma part, j'aimerais bien d'autre vidéos concernant le traitement de l'image ! Je trouve que cette vidéo était vraiment très très intéressante :).
Merci beaucoup Thierry ! Je compte faire pas mal de vidéos sur le traitement d'image a l'avenir, a la fois en Deep Learning et également en technique plus mathématique
Ah oui ! Il a fallu attendre, mais là tu casses le game.
Arriver à compter le nombre de bactéries à partir d'une photo, et cela en quelques lignes de code, c'est dingue.
Moi qui pensais que Scipy était une bibliothèque très orientée recherche et assez ennuyeuse, ... tu viens de me montrer que c'est en réalité une vrai tuerie !
Merci oui c'est cool :)
Effectivement une vidéo sur l'optimisation serai très intéressante, avec beaucoup de détails et d'explications. Félicitations pour vos vidéos, elles sont excellentes. Merci
jai prévu d'en faire une série, mais un peu plus tard dans l'année
J'avoue que je suis curieux de découvrir scipy en profondeur merci
Mr Guillaume est l'un des meilleurs pédagogues en ce qui concerne l'enseignement de la datascience (français - anglais confondus) que j'ai jamais rencontré sur RUclips ... Je decouvre chaque jour une plus grande ingeniosité dans tes formations. Merci champion. J'invite des collègues a la communauté...
Merci beaucoup ! C'est un honneur de recevoir un tel commentaire !
Puissante démonstration, code lisible, parfaite maîtrise de l'outil et du domaine..
Tu es un chef...
Merci beaucoup
C'est un plaisir de suivre vos vidéos....
Je pense que plus de vidéo sur SCIPY seront les bienvenues pour apporter plus de lumière à ce module
Bonjour et merci. Je prépare d'autres vidéos sur le package oui :)
In a besoin des vidéos sur des modèles comme RNN, ARIMA , ARIMAX, LSTN, ..... car j'ai un grand projet de data science sur la prediction des commandes clients concernant des produits en Thailandes
Merci à vous Guillaume, j'ai le plaisir de voir et revoir vos vidéos, qui m'ont vraiment changé d'avis pour la ML. merci énormément :))))
Je compte aborder tout cela, ne vous en faites pas :)
Merci Guillaume pour ces vidéos toujours très instructives.
Celle-ci est très condensée dans les thèmes abordées,
elles suscitent d'avantage mon intérêt pour la data science
et de la curiosité à tester ces modèles.
Bonne continuation.
Merci a vous :)
Excellent ! Meilleure prof français de data science ! Scipy est génial, je dirais pas à non à plus de vidéos sur le sujet ! :)
Vous me flattez, merci beaucoup :)
Salut Guillaume,
Tu es vraiment au top : pédagogie excellente, contenu excellent... bref que du bonheur ! Hâte de découvrir ton module Deep learning !
Merci beaucoup :)
Je suis déjà à la 17 éme vidéo vraiment bravo , en gros tu nous dis : ' voilà c'est facile ! faites comme moi et puis c'est tout '
Bravo !
Bah j'essaie de vous encourager au maximum :)
Bonjour, vraiment génial. J'ai suivi toutes les vidéos jusqu'à maintenant et la qualité ne se dément pas. J'ai reproduit le traitement d'image sur une photo de grain de beautés et c'est vraiment facile de compter ceux ci. Merci pour la vidéo.
juste pour vous dire un grand merci .je n aurai jamais cru que la programmation pouvait etre aussi simple encore un grand merci
Tout le plaisir est pour moi :)
Salam, je te félicite pour ton travail entrepris. Et voilà que tout deviens assez facile. Notamment l'explication par des exemples réel. Chapeau encore pour ce travail de qualité.
Merci beaucoup !
merci Guillaume pour cette formation j'ai pris plusieurs a cause de toi j'ai cpmris bcp de choses a python aussi au machine learning
Je dois te dire que mon prof de traitement d'image et signal n'a pas pu m'expliquer comme toi. Tu es le meilleur.
Merci beaucoup ! :)
Bonjour Guillaume et à tous. Ca avance, va falloir commencer à organiser mes notes car si chaque notion prise séparément passe très bien, on commence à avoir pas mal d'outils ;)
Sinon question bête sur la dilatation (ca se dit dilation en french ?), on dirait qu'on a 3 méthodes :
Méthode A : celle que tu présentes à l'oral, à chaque foi que l'élément structurant touche du blanc, on met tous les pixels de l'élément structurant en blanc (ce que je faisais au début)
Méthode B : celle présentée sur tes images, quand le pixel central de l'élément structurant (appelé "anchor" sur tes images) touche du blanc, on met en blanc tous les pixels de l'élément structurant
Méthode C : Dès que l'élément structurant touche le blanc, on met en blanc uniquement le pixel central de l'élément structurant (anchor). Inversement pour l'érosion, le pixel est blanc central uniquement si tout l'élément structurant est inclus dans le blanc, si un morceau de l'élément est noir, le anchor est mis en noir
Il me semble que B= Id(C) par contre la méthode A ne donne pas le même résultat. De ce que je comprends des équations de morpho math, la C est la "vraie" méthode, donc est ce que je comprends mal, ou ce que les 3 sont OK ?
En tout cas merci à toi (si tu lis encore tes com 4 ans après ;) )
Merci pour tes vidéo et ton aide au quotidien! c'est hyper intéressant pour l'optimisation
de rien :)
Le contenu de cette formation est juste formidable. Merci beaucoup.
Ca fait plaisir a lire !
Bonsoir Guillaume, je me retrouve de voir une vidéo après une autre sans arrêt, votre chaîne est superbe. Merciiiiii.
Merci beaucoup ca me fait tres plaisir de lire ca !
Encore merci pour tout ce contenu. Je perfectionne vraiment mes connaissances et ma pratique grâce à toi 🙏
Bravo !
Une vidéo avec énormément de contenu! Merci de me rendre les maths de plus en plus intelligibles au fil de tes vidéos. :)
C'est un de mes buts premiers, je suis content de savoir que j'y parviens ! Merci Julien :)
Franchement....j'adore..
MERCI, vraiment.
je vous en prie !
Guillaume, tu es un génie
Merci pour ce contenu impeccable 😉 Ce serait génial d'avoir une série de vidéos sur la programmation linéaire.
merci merci merci merci merci merci merci vous êtes un génie
Mais de rien :)
j'ai pas les mots, je me sens au coeur de la pratique de tas de théories grace à Python. Merci vraiment.
j'aimerais juste si vous pouvez fair une vidéo sur les équations différentielles qui se raccordent avec la Transformation de Fourier dans certains cas
Merci
Je vais le faire a l'avenir, merci pour la suggestion ! :)
Excellent travail avec une très bonne qualité des vidéos et une très bonne maîtrise du sujet. C'est dommage qu'il n'y a pas suffisamment d'exercices pour chaque notion. Bravo!
N.B.: J'ai partagé votre lien avec d'autres collègues.
Merci beaucoup ! Je vais intégrer plus d'exercices a l'avenir
Ce serait bien une vidéo sur l'optimisation
Excellentes vidéos, Très pédagogue. Peux-tu nous faire plus de vidéos d'optimisation s'il te plait ? Encore mieux si c'est avec du cplex. Merci Beaucoup et continue comme ça, Tu es au TOP
Merci beaucoup :) Ta demande est bien prise en compte (je vais faire plus de vidéos d'optimisation)
Super vidéo encore ! NdImage c'est impressionnant c'est clair. Et merci pour l'astuce pour l'échelle sur scatter :-)
merci beaucoup pour ton commentaire :)
Slt Guillaume, Merci pour cette vidéo toujours très intéressant ! Waouh j'ai hâte de celles sur la NLP, mais avançons pas à pas !!
Bon weeek end. Cordialement. Michel
On ne fera pas de NLP dans cette série Python, mais je ferai plusieurs séries de vidéos a ce sujet en 2020.
@@MachineLearnia OK merci Guillaume !
excellente video Merci !!
Merci beaucoup :)
Merci pour toutes ces vidéos, on attend la suite avec impatience :)
La suite sort aujourd'hui ! Et les vidéos suivantes viendront rapidement ! :)
Merci beaucoup pour ces contenus gratuits.
Vraiment top tes vidéos, je fais déjà du machine learning mais j'apprend quand pleins de nouvelles choses ! Si tu as le temps se serait bien que tu fasses une vidéos approfondie sur les maths utiles en machine learning, même si ça te parait évidant avec ton niveau, pour ceux comme moi qui n'ont pas fait de cursus de math. Et une autre vidéos sur scikit serait vraiment génial aussi ! :)
Merci beaucoup :) Ne t'inquiete pas j'ai prévu de faire toute une série de vidéos sur les maths, en plus d'articles pour mon site Internet !
Merci beaucoup pour cet excellent et pédagogique cours .
Merci a vous, c'est un plaisir :)
Salut Guillaume !
Je tiens à te remercier pour ta pédagogie ainsi que l'ensemble de tes vidéos qui sont une mine d'informations !
Penses tu que ce serait amusant de faire une vidéo sur de la reconnaissance vocale, par l'intermédiaire du traitement de signal, du type Fourier, etc ? Si cela est possible bien entendu . Je m'exprimes avec mes connaissances de néophyte.
Bonne continuation à ta chaine !
Salut et merci a toi, oui j'ai prévu de faire ce genre de video, ca sera tres intéressant et tres fun :)
Oui SciPy a l'air monstreux, j'ai pu voir qu'il était très utile pour du nettoyage de données, j'aimerais d'autres exemples avec divers possibilités qu'offre scipy.
J'ai prévu de refaire des vidéos dessus a l'avenir.
Merci infiniment, Continuez on vous suit.
Merci c'est un plaisir :)
A life changing video ❤
Bonjour, merci pour les séries de vidéos
Hello Guillaume, comme d'habitude : vidéo de grande qualité !
Mercii !!
Merci beaucoup :)
Vidéo très instructive, merci !
Merci Pulsar ! :)
J'adore tes vidéos ❤ seulement au début de la section "traitement de signal", précisément à l'instant 12:04, ça parle bien de Scipy et non pas de matplotlib 😉
Bon courage
Ahah en effet je m'étais emmêlé la langue ^^
C'est tout simplement top. J'aimerais encore approfondir sur les traitements de signaux acoustiques et images médicales
Merci beaucoup. Oui j'ai deja commencé la préparation de videos a ce sujet qui sortiront un peu plus tard ! :)
Une vidéo sur l'optimisation linéaire et non-linéaire sous contrainte ça serait super !
J'ai prévu de le faire dans quelques temps (j'ai déjà commencé un code a ce sujet)
Cool Guillaume belle vidéo comme d'ab !! Sinon Guillaume arrivé à la 20 vidéos pense à pytorch pour appliquer tensorflow 😀
Merci beaucoup pour le soutien ! Malheureusement je ne vais pas faire de Pytorch dans cette série... mais ce n'est que partie remise parce que je compte faire des vidéos Pytorch dans l'avenir proche ! :)
Pas faux Guillaume je valide mieux faux d'abord appréhender les Rouages du machine learning pour ensuite attaquer pytoch qui est plus complexe orienté tensorflow deep learning force à toi
Excellent ton exemple d'application-bilan !
Quelques petites précisions car tu passes très vite sur certaines notions dans cette vidéo très dense :
- l'axe des fréquences que tu obtiens dans sur ton graphe de Fourier n'est pas très parlant. Cela vient du fait que ton code ne précise pas à la fonction fftpack.fftfreq quel est le "pas temporel" de ton signal. Il faut également multiplier la fréquence par 2*pi pour que le nombre devant le x dans les fonctions np.sin correspondent bien à la fréquence de la sinusoïde (en effet le sinus étant 2-pi périodique, pour un signal de 1Hz, le sinus doit "voir s'écouler" 2*pi en un temps x = 1s). Si on voulait effectivement obtenir un contenu de fréquences temporelles avec des pics à 1, 5 et 10Hz, par exemple pour un signal relevé par un capteur pendant une durée donnée avec une fréquence d'échantillonnage donnée, on pourrait écrire le code suivant :
'''
duration = 10 # durée (s)
fs = 50 # fréquence d'échantillonnage (Hz)
x = np.linspace(0, duration, duration*fs)
y = 3 * np.sin(1*(2*np.pi)*x) + 2 * np.sin(5*(2*np.pi)*x) + np.sin(10*(2*np.pi)*x)
fourier = fftpack.fft(y)
power = np.abs(fourier)
frequences = fftpack.fftfreq(y.size, 1/fs)
'''
-19:52 l'érosion d'une image est l'ensemble des pixels (blancs) tels que le motif structurant est CONTENU dans cet ensemble, pour chaque pixel (blanc) restant. Autrement dit, le motif passe sur chaque pixel blanc de l'image de départ, et s'il dépasse de l'ensemble des pixels blancs, alors le pixel blanc actuel est effacé ; en revanche si le motif ne dépasse pas, alors le pixel blanc est conservé. Il faut bien noter que l'ensemble des pixels considéré à chaque pas est l'ensemble des pixels de DEPART, sinon à la fin du processus il ne resterait plus rien.
- 20:58 tu aurais pu obtenir un meilleur filtrage des artefacts en remplaçant simplement le motif structurant utilisé par défault, qui est un "+", par un motif carré 3x3. Code :
'''
open_x = ndimage.binary_opening(X, np.ones((3, 3)))
'''
- 21:47 l'image utilisée : image.slidesharecdn.com/presentation1-120825052533-phpapp02/95/the-microscope-18-728.jpg?cb=1345872384
(l'ouverture du fichier ne fonctionnait pas de premier abord malgré son format .png, j'ai du reconvertir l'image en .png avec image.online-convert.com/convert-to-png. Puis pour la redimensionner afin d'éliminer le texte et les bords blancs : '''image = image[:500,90:620, 0]''')
Merci beaucoup ! J'apprécie beaucoup quand les gens apportent des précisions, la votre a une tres grande valeur !
Chapeau :\ vulgariser c'est maitriser vous nous faites croire que c'est facile :))
Merci !
Merci tout d'abord pour tes vidéos superbes. Pouvez faire une vidéos sur les séries de Fourier et la réponse d'un filtre linéaire à un signal périodique non sinusoïdal. Merci.
Merci a vous, oui je vais faire cela a l'avenir
Bonjour Guillaume et merci pour ces tutoriels de haute qualité !
Pour la minimisation de la fonction f sur le linspace x j'ai pensé à ce code pour démarrer directement proche du minimum global :
> y = f(x)
> indice_min = np.argmin(y)
> x_min = x[indice_min]
> mini_global = optimize.minimize(f, x0=x_min)
Cela semble fonctionner assez bien sur les exemples que j'ai tentés.
Je souhaite le généraliser à la dimension n car à vue de nez cela reste jouable en 3D via le contour plot mais pas au-delà ; y a-t-il une fonction de type np.argmin() qui renvoie directement les indices du point minimum global d'un ndarray ? Je ne trouve que suivant un axis ou un autre mais pas global...
Encore merci pour le travail accompli !!
il faut te suivre de près pour ne rien manquer...MLearnia ClassRoom
Il suffit de s'abonner et d'activer la cloche si tu ne veux rien loupe. Merci beaucoup :)
C'est deja fait 🙏
super le travail que vous faites ici
Merci beaucoup :)
Je kiff telment tes vidéos, peut tu nou faire une vidéo concernant la segmentation d'image IRM avec 3D U-Net
Bonjour et merci pour cette 16ᵉ vidéo, comme d'habitude c'est limpide ! Tu proposes dans ta vidéo de faire une autre vidéo sur scipy alors comme demande, peux-tu stp faire une vidéo de plus sur scipy? Encore merci pour tes précieux cours !
Bonjour et merci :) Oui c'est prévu ! Mais avant je vais faire une série sur le Deep Learning. Ensuite je vais faire une série sur Scipy en effet, qui rentre bien plus dans les détails. Je compte écrire des petits ebook également. Si tu veux etre au courant de ces prochaines sorties, tu peux t'abonner a notre Newsletter. A bientôt ! :)
Excellent (comme d’habitude !)
merci beaucoup :)
Salut et merci, c'est vraiment très intéressant et en plus ta passion est contagieuse.
La qualité de tes vidéos est incroyable...
Il manque cependant un liens Utip ou Paypal pour te remercier "pour de vrai".
Bonjour merci beaucoup pour votre qui est assez exceptionnel car il est facile à comprendre. Serait-il possible que vous fassiez une vidéo sur preprocessing des données de panel qui sont beaucoup utilisé en économie pour faire des analyses sur un ensemble de pays. Merci d avance
Bonjour, je vais le noter oui
Merci pour cette video. Petite note, la FFT s'utilise aussi pour les signaux apériodiques... D'ailleurs les lecteurs audio de fichier MP3 affichent des histogrammes ou mêmes des effets divers et variés et certains éclairages pour les fêtes se basent sur ce principe. Le principe de la FFT pour les signaux apériodiques est un peu complexe par contre et je crois qu'il se base sur les "ondelettes".
Oui ce que tu dis est vrai, mais pour garder les idées claires pour l'audience j'ai préféré dire qu'il vaut mieux utiliser Fourier sur les signaux périodiques car c'est comme ca que c'est utilisé de base. En tout cas c'est comme ca qu'on l'apprend d'abord en prépa ou a l'université.
Je ne savais pas pour les fichiers MP3 merci de m'avoir appris qqch :)
@@MachineLearnia Pas faux. C'est vrai que c'est plus approprié pour les signaux périodiques. En automatique, on utilisait aussi beaucoup la transformée de Laplace qui s'y rattache pour certains aspects. Ca permet de traiter particulièrement bien le problème des régimes transitoires. Après, il y a aussi la transformée en Z mais je ne sais pas si il existe des fonctions en Python pour l'une de ces deux méthodes de calcul...
En tout cas, ton filtrage numérique de fréquences est magnifique surtout pour qqn qui a l'habitude des filtres analogiques. Pour avoir une idée plus concrète du résultat, il faudrait jouer l'audio de ton signal non filtré et ensuite du signal filtré.
Ah, dans le domaine, un site gratuit assez bien fait pour faire ses propres calculs : www.micromodeler.com/dsp/
Je ne connaissais pas ce site, il est super, merci ! Oui il y a des librairies opensources construites sur numpy pour faire des transformer en Z, mais personnellement je me suis construit ma propre bibliotheque de fonctions pour faire cce genre de choses quand j'en ai besoin (mais ca n'arrive pas vraiment en data science)
Je ne peux voir vos vidéos ss laisser un message ici vraiment excellente formation ML trop d'informations pertinentes sur cette partie 16 il faut la revoir encore et encore... si c'est possible bien sur de rendre un peu too easy(+détail) la partie Transformation de Fourier et image processing Merci d'avance
Un énorme merci ! :) Bravo je vois que vous suivez la formation en entier ! Je vous félicite pour votre motivation !
Oui je ferai 2 vidéos spéciale sur la transformation de Fourier et Image processing dans un avenir proche ! J'adore Fourier ! :)
@@MachineLearnia Merci bien je suis devenue accro à cette chaîne je suis très heureuse d'ailleurs :) grâce à vos efforts, un contenu pertinent qui m'encourage tjrs de découvrir la suite. Merci encore une autre fois et je vous souhaite bonne continuation
@@90fazoti Merci beaucoup ! :)
Bonjour, Merci pour cette tuto , je voulais que vous nous explique sur un video au programmation lineaire en machin learning.
Merci beaucoup ! Oui je vais faire des vidéos sur la programmation linéaire.
Bonsoir,
vers 9'50" , pour retrouver le minimum ça serait judicieux de faire une boucle et laisser le processeur cherché n'est pas , exemple :
while True :
if result.x[0] < optimize.minimize(f, x0+i):
minimum = optimize.minimize(f, x0+i)
else : minimum = result.x[0]
et ça marche .
Qu'en pesez-vous
Merci pour vos astuces elle sont géniales
Oui vous pouvez proceder comme cela :)
Excellent ! Une petite bourde cependant à 12:05, tu dis "dans mathplotlib" au lieu de "dans scipy". Je l'ai repéré certainement parce que j'étais totalement immergé dans ta vidéo ;)
Wow je m'en suis même pas rendu compte moi-même durant le montage ! :O Bravo quel élève attentif, je ne peu que saluer une telle concentration ! ^^
Amusant ... cela m’avait frappé aussi ...
Super vidéo, Merci !
Merci :)
Adresse de l'image: image.slidesharecdn.com/presentation1-120825052533-phpapp02/95/the-microscope-18-728.jpg?cb=1345872384
Je ne la trouvai pas ni sur le code GitHub ni dans le descriptif mais j'ai peut être mal cherché lol
Conseil maison, faites une capture d'écran pour ne pas garder les 2 gros bords blancs de cette image jpeg et ainsi obtenir un png beaucoup plus proche de notre enseignant ^^
Sans cela vous aurez de très forte valeurs dans les blancs et un histogramme moins parlant!
A plus et encore merci pour cette pédagogie tellement rare à trouver et encore plus en français \O/
Merci pour le partage. Excellente astuce !
ce mec est juste waooh
Wow merci :D
Géniale cette vidéo, merci beaucoup !
Merci beaucoup :)
Je suis de plus en plus passioner
C'est magnifique ! Je suis fier de vous ! Continuez ainsi et vous irez loin !
Bonjour, très sympa mais quelques raccourcis un peu rapides qui peuvent conduire à une très mauvaise utilisation de FFT.
La transformée de Fourrier, à priori ce n'est pas limité aux signaux périodiques (sinon ça ne fonctionnerait jamais avec nos signaux, il ne sont pas infini dans le temps). Il s'agit des séries de Fourier qui concernent des signaux périodiques. Maintenant, ce qui est utilisé c'est la FFT qui ne fonctionne que pour les signaux périodiques... En fait, ce que l'algorithme fait c'est qu'il périodise le signal qu'on lui donne en mettant ce signal au bout de lui-même. Quelques aspects qu'il faut prendre en compte : S'assurer que l'échantillonnage de notre signal soit suffisamment important, si c'est le cas, on ne rate aucune fréquence et on peut traiter le signal. Un deuxième point important est le fait que le début et la fin du signal devraient être au même niveau pour ne pas ajouter de fréquences parasites.
Concernant ce qui ressort de la FFT, en fait il s'agit d'un vecteur (si notre signal est un vecteur) composé de nombres complexes. Comme pour la transformée de Fourier telle qu'écrite dans les livres de maths. Il faudrait donc faire une représentation dans un plan 2D, ce qui n'a pas bcp d'intérêts pour du filtrage notamment. Le spectre, qui est la grandeur intéressante, n'est en fait que le module de ce nombre complexe pour toute les fréquences, c'est ce que fait la fonction 'abs', prendre la valeur absolue... ou le module pour un nombre complexe.
Bonjour, je suis toujours tres heureux quand je lis ce genre de commentaire, il apporte beaucoup d'informations, merci beaucoup ! C'est vrai que j'aurais du mieux expliquer cela. :)
Merci pour vos brillantes explications. Svp une fois le nuage de points représenté comment tracer la frontière de décision dans le cadre de la classification?
Merci .
Je ferai une vidéo a ce sujet dans pas longtemps+ en attendant vous pouvez vous rendre sur discord pour trouver de l'aide (le lien est dans la description sous la vidéo)
Merci
Je trouve que tu fais de belle et bonne vidéo. Peux tu en faire sur l'optimisation non linéaire con contraint par exemple. Merci à toi surtout pour tout.
Merci beaucoup. J'en ferai a l'avenir oui.
Hello Guillaume merci pour cette vidéo. Question, dans la section optimize, tu créé un dataset en utilisant une formule de type :
y = 1/3*x**3 - 3/5*x**2 + 2 + np.random.randn(x.shape[0])/20
Le 3ième membre (2) n'est pas facteur de x il est isolé tout comme le 4ième (np.random.randn(...))
Or dans la fonction f, on retourne:
return a*x**3 + b*x**2 + c*x + d
et là c est facteur de x
Ne faudrait-il pas que la fonction f retourne :
a*x**3 + b*x**2 + c + d
à l'image du dataset ?
Merci pour tes lumières
Bonjour M.
Merci pour vos cours je les trouve très bien et très bénéfiques pour les nouveaux utilisateurs de python comme moi.
Moi j'ai un problème avec une représentation graphique. Il s'agit de représenter sur une carte sur python des villes et afficher pour chaque ville un indicateur que j'aurai calculé par exemple la pollution.
Merci.
Bonjour et merci beaucoup :)
Matplotlib permet de tracer des cartes. Je vous conseille de vous rendre sur le discord de notre communauté (le lien est dans la description) sur lequel plusieurs personnes pourront vous aider. :)
bonjour
j'ai une question :
par example dans la partie de traitement du signal :
x = np.linspace(0, 2, 100)
y = x + 4*np.sin(x) + np.random.randn(x.shape[0])
plt.plot(x, y)
comment tu as fait pour choisir ces valeurs (0, 2, 100) pourquoi pas d'autres?
aussi pourquoi cette fonction précisement
y = x + 4*np.sin(x) + np.random.randn(x.shape[0])
quand je lis un code je comprends sa suite logique mais je n'arrive pas a le produire de mon cerveau = écrire un code toute seule. du coup j'aimerais comprendre le file de ta pensée !
merci pour ton temps et ton énergie
katia
super video !!!!!!!!!!!!!!!!!!!
Thank you very much!
Merci Guillaume pour ton contenu.
Au sujet de la fonction "minimize" de scipy, je n'arrive pas à bien mettre en place et comprendre lorsque nous avons énormément "contraintes" à ajouter dans une fonction (plus de 100 contraintes), l'optimisation devient impossible j'ai l'impression !
Peux-tu faire une vidéo sur le sujet, ou me répondre ?
Merci d'avance,
Mickaël
la fonction interpolate ressemble à l'algorithme de regression lineaire qui tracais une ligne entre plusieur points
Cela ressemble, mais les apparences sont trompeuses, ca n'est pas du tout la meme chose et ne sert pas le meme intéret. Une interpolation ne doit etre utilisée que pour faire des prédiction au sein d'un nuage de point, alors qu'une regression permet de générer un modele généralistes a partir de points
J'ai un petit défi que je n'arrive pas à résoudre avec des fonctions déjà existante... ( Je fais des boucles for imbriquées un peu nulle du coup...)
Le but est de faire une interpolation 2d géographique avec la méthode nearest !
Ça parrait simple non ?
(Petit détail les 2 grilles de données n'ont pas la même origine)
Je vous propose d'en parler sur le discord, mais je vous prie de bien poser votre question et de proposer un bout de code intéressant et on vous aidera :)
Super vidéo, comme toute les précédentes... Eh, oui, j'ai découvert la chaîne il y a peu...
Juste une question sur la correction, en faisant plt.subplot(n//2, n//2, i+1) ne va-t-on pas se retrouver à un cadre de 3*3 pour 6 variables, etc. ? plt.subplot(2, n//2, i+1) ne serait-il pas plus intéressant ?
Oui tu as raison, c'est a toi de voir et de jouer avec les params pour obtenir ce que tu préferes :)
mrc bcp pour votre génial explication, j aimerais bien savoir est ce que python est le meilleur choix pour traitement de signal (par rapport a matlab par exemple)
Difficile a dire ! Python est plus simple a utiliser que matlab, et aujourd'hui il y a beaucoup plus de ressources en ligne pour trouver de l'aide. Numpy est l'équivalent de matlab pour python et je pense qu'on peut faire a peu près les mêmes choses avec Python et Matlab. C'est une question de gout et de carrière.
Nice
Bonjour, pour la partie à 26:26 dans votre tableau numpy la première valeur est à 0, j’ai refait toute cette partie de la vidéo avec une image similaire et je rencontre exactement le même problème que vous, sur mon image s’affiche distinctement 7 bactéries de taille non négligeable néanmoins l’une d’entre elle à pour size 0. J’ai cherché mais je n’ai pas trouvé la raison, auriez vous une idée ? Très bonne vidéo au passage
pourquoi lorsqu'on commence notre minimize avec le point x0=-10, directement nous tombons dans le minimum global?
et je aimerai savoir si on ne peut pas, gérer le pas de la descente du gardien
Nous pouvons utiliser plusieurs méthodes de minimisation dans la fonction minimize(). Celle que j'ai utilisée (de souvenir) permet de trouver le minimum global. Il faut consulter le documentation scipy pour voir la liste des méthode d'optimisation disponibles (j'ai laissé le lien dans la description de la video)
@@MachineLearnia Merci bcp.
mais je vous ai envoyé un mail sur contact@machinelearnia.com, je ne sais pas si vous l'avez lu
Je vais le lire d'ici la fin de la semaine (j'en reçois beaucoup alors je mets du temps a répondre a tous les mails)
@@MachineLearnia Merci
@@MachineLearnia je suis bloquer sur un petit projet que je fais...
encore merci
Bonjour je remarque un comportement différent, peut-être que la version de scipy a été modifiée, mais vers 11:41 si je prends x0=np.zeros((2,1)) tel que dans la vidéo, j'obtiens une erreur (raise ValueError("'x0' must only have one dimension.")) par contre en définissant x0=[0,0] tout va bien. J'utilise python 3.11.5 et scipy 1.11.1.
Svp la syntaxe pour importer le dataset avec seaborn génére une erreur chez moi pourtant je parviens à l'importer avec pandas.
Que faire?
Je pense qu'il va falloir vous posez quelques questions pour bien comprendre la nature du problème, Je vous propose de rejoindre le discord de la communauté pour trouver des réponses.
Excellent l'exercice sur les bactérie. Je me demande si on peut remonter à la bactérie la plus grande et positionner un marquer dessus. Je suis certain que c'est faisable
Merci pour les vidéos
J'ai réussi à afficher une image ne comportant que la plus grosse bactérie. Je vais laisser mon cerveau fonctionner pour réussir à remonter aux coordonnées. Je suis certain que je n'en suis pas loin.
Bravo, vous progressez bien ! Oui il doit y avoir des moyens, mais je ne l'ai pas :)
re bonjour,
j'ai regarder la video une nouvelle fois, et ya un truc qui m'a intrigué . Lorsqu'on traite l'image avec ndimage pour éliminer les artéfactes on perd de l'information n'est ce pas? c'est ce que nous as montré avec l'exemple du gros carré jaune avec plein de petits carrés qui gênaient. Mais dis moi, je suis curieux de savoir si c'est possible de récupérer l'information perdu avec la fonction interpolate, pour pouvoir reformer le carré jaune comme il était au dépars , mais sans les autres petits carrés qui gênaient.
Bonne question ! Peut-etre que l'on peut faire cela avec une interpolation, je ne suis pas sur car je ne l'ai jamais fait, j'ai déja utilisé du morphing pour des applications industriels, mais j'utilise surtout le deep learning pour la vision par ordinateur, c'est ma spécialité. Quand j'aurais le temps je ferai une expérience en rapport avec ta question et j'écrirai peut-etre un article sur mon site Internet a ce sujet. Merci a toi :)
@@MachineLearnia j'ai hâte de lire cet article, et ce serait pertinent de voir un exemple concret d'utilisation du machine learning. 👌👌
superbe série. bien structuré. juste est ce que tu peux nous faire une vidéo sur le filtre de butterworth avec des données dataset !
Merci ! Oui je pourrais en faire une, voici comment l'utiliser sinon entre temps pour toi :scipy.signal.butter Comme tu vois il est directement disponible dans scypi. Super pratique et simple d'utilisation
@@MachineLearnia merci. en faite j'ai bien consulté le forum mais j'ai pas réussi a le faire
je veut te remercier pour vos efforts. j'ai rencontrer des ptits prblms au niveau du modele scipy.integrate et scipy.signal ( butter et sosfiltfilt ) , est ce que te peut faire une petite video dans ce sens là ça serait super et merci
désolé je réponds en retard, je vais essayer de le faire oui
je n arrive pas a importer l image des bacteries dans jupyter avec le même code que tu a utilisé ? Help!
bonjour je tiens tout d'abord a vous remercier pour ces vidéos très instructives mais j'aimerai aussi vous poser une question sur la dilation et l'érosion ,voila en ce moment je travail dans mon stage sur du traitement d'image grâce a un logiciel mais on aimerai faire ce traitement sur python , le logiciel fait de l'outlier sur les images avant traitement PCA, est ce que outlier est la dilation car d'après ce que j 'ai compris du logiciel ca y ressemble merci pour votre réponse.
Bonjour l'ami, je ne sais pas si j'ai découvert cette vidéo en retard, mais j'aimerais bien savoir ce qu'il en est de la vidéo de l'optimisation avec contraintes, si je puis me permettre bien entendu