Mr.Guillaume, je viens de terminer la lecture de ton livre gratuit "apprendre le machine learning en une semaine" et je suis déjà sur le 16 vidéo sur TH-cam. Tu mérites beaucoup de respect pour ton engagement de partager avec tout le monde tant d'infos utiles et cette passion en toi pour ce domaine, merci infiniment.
@@MachineLearnia 👍💪 s'il s'avèrait que j'aurais besoin d'un conseil dans ce sens là, je pense que vous serez le mieux placé dans un futur proche. Encore je te remercie et que du réussite. Bonne continuation.
Ah mon chère Guillaume ont ne conserve pas genre de vidéo en archives heureusement que tu t'es décidé à nous en faire part simple altruiste efficace force à Toi
Aujourd'hui je clôture cette formation que tu as offerte gratuitement. J'ai jamais activé la cloche d'une video youtube, mais là je l'ai fais, j'attends avec impatience tes prochaines videos.Un grand Merci encore. Sinon comme doléance, pourrais tu faire une autre série de video sur les applications mobile et le machine Learning? c'est à dire comment fusioner ces deux éléments. Car cela est important, sachant que la plus part des projets qui nous fusent par la tête sont à finalité mobile(par exemple une application mobile vu sur le net, qui permet de prédire ou interpréter le diabète en scannant la rétine de l'oeil).
Bonjour et merci pour ce commentaire très pertinent ! Je vais continuer a faire beaucoup de vidéos sur le machine learning dans les prochains mois. En revanche, je n'ai jamais développé d'application mobile a ce jour, mais ca me plairait beaucoup d'apprendre et de faire une série a ce sujet également :) A bientôt !
Bonjour elles vont continuer sous un autre format a l'avenir, mais toujours sur cette chaine TH-cam ainsi que le site (un format meilleur avec une qualité meilleure)
Bonjour monsieur, S'il-vous-plaît où je peux trouver la vedio qui montre la fonction normal avec numpy parce que j'ai pas la trouver au sien de votre playlist. Cordialement.
Bonjour, pour créer des données distribuées normalement vous pouvez utiliser la fonction np.random.randn(1000) ce qui vous retourne 1000 points distribuées normalement. Je ne sais pas si c'est de ca dnot vous voulez parler
salut, je suis étudiant en Master cybersécurité et je viens de suivre tout vos cours de machine learning. j'aimerai bien concevoir une application de machine learning sur le secteur de l'agriculture. Mais je ne c'est pas par ou commencé. Merci infiniment par se partage de connaissance.
Bonjour, Je vous conseille de définir votre problème, définir et chiffrer vos objectifs (les résultats que vous espérer obtenir) et ensuite comprendre quelles Données vous pouvez collecter pour développer des modèles pour atteindre vos objectifs.
@@MachineLearnia merci Mr je vous reviendrai plus tard. Je suis un peu confus conercant le projet ML sur l'agriculture. Je voudrai juste apporté ma participation dans l'autosuffisance alimentaire grace au ML
Bonjour, merci beaucoup pour toutes ces vidéos de qualité exceptionnelle ! C'est extrêmement motivant. Juste une petite question, le vecteur gradient ne serait-il pas plutôt de dimension (n+1) * 1 au lieu de n * 1 ? ( A 2:30 dans la vidéo). Avec m le nombre de lignes du dataset, et n le nombre de features : X serait de dimension m*(n+1), sa transposée de (n+1)*m et theta (n+1)*1. Par 'analyse dimensionnelle' de la formule, le gradient serait de dimension (n+1)*1. Je ne suis pas un expert, je peux me tromper, c'est juste pour vois si j'a bien compris.
bonjour svp est ce que un aura une suite pour cette série de vidéos si c'est le cas c'est pour quand? car la dernière vidéo date de 2019 merci pour votre réponse
Bonjour Guillaume, Pourquoi parles tu de la taille du dataset dans la difficulté à inverser une matrice nxn ? Sauf erreur de ma part, n est le nombre de features donc inverser une matrice nxn c'est pas impossible à faire si n vaut quelques milliers. Evidemment si les features ce sont les pixels d'une image qui fait quelques megapixels c'est autre chose. La difficulté vient plutôt du calcul de XT.X où la taille du dataset m intervient, je me trompes ?
J'adore cette vidéo, grâce à elle j'ai pu encore mieux comprendre l'exemple de cette méthode de régression linéaire présenté dans le deep learning textbook de Goodfellow. Franchement merci
Excellente chaîne !!! Petite question, Est-ce que les équations normales permettent d'éviter les minimas locaux qu'on rencontrait avec des méthodes type gradient ?
bonjour, non elles ne le permettent pas. Mais dans la pratique on n'utilise pas cette méthode car s'il y a présence de minima locaux, c'est que le probleme est de toute facon trop compliqué pour des équations normales.
Super vidéo grand Merci ! par contre je n'ai pas trouvé la prochaine vidéo (celle de l'implémentation de ces équations) il me semble que cette vidéo est la dernière dans cette playlist
bonsoir guillaume, je viens de finir la formation je vous en remercie pour cette magnifique formation . permettez moi de vous poser une question à propos de tensorflow : comment puije charger mon datatset sachant que je l'ai télécharger sur mon bureau et il est en fichier zip? je vous remercie d'avance pour l'attention que vous donnez, bonne journée !
Bonjour Mr Guillaume, je vous remercie infiniment. J'ai appris beaucoup de choses en Machine Learning et Deep Learning à travers vos vidéos, que je n'avais pas comprises auparavant avec les professeurs, surtout le côté mathématique m'a beaucoup aidé à bien comprendre et maîtriser le ML. Je cherche mais je ne trouve pas dans toutes vos vidéos l'explication mathématique de la régression ridge et lasso?
Merci beaucoup ! Je compte faire beaucoup de vidéos qui expliquent les algorithmes en maths a l'avenir, mais en rajoutant une démonstration de code (chose qu je n'ai pas fait ici)
@@MachineLearnia Ah oui très bonne idée ! Moi j'adore les maths, comprendre comment ça marche mais aussi et surtout comment les mettre en pratique ! Je trouve ça très important pour garder l'intérêt envers les maths de montrer concrètement comment on s'en sert et à quoi ça va bien pouvoir te servir à toi plus tard. Au lycée j'ai jamais compris l'intérêt des maths, je me demandais bien ce que j'allais pouvoir en "foutre", et ce n'est que plus tard en école d'ingénieur que j'ai commencé à y voir une utilité et application concrète, comme en recherche opérationnelle et robotique par exemple. C'est dommage qu'on explique pas plus tôt aux gens à quoi servent les maths et comment les utiliser dans notre vie de tout les jours, ça provoquerais surement plus d'intérêt pour cette matière.
@@MachineLearnia salut! Merci infiniment de votre énorme éffort, Est ce que vous pouvez mettre une épisode sur l'utilisation du branches mathématique chaqu' une de sa utilité pour servir data science et machine learning, Sachant que le math se contient 3 grandes branches : 1 analyses (edp, numérique, Fourier, complexes) 2 algébre(théorie des groupes et cours, linéaire et Cripto) 3 statistique et probabilité
Salut , Que pensez vous des certifications python PCPP1-2 ? est-ce que cela est suffisant pour justifier de ses compétences dans ce langage et peut être convaincre des employeurs ? Merci .
Bonjour ! Oui cela peut clairement suffire ! Personnellement j'ai appris a programmer en Python en parallèle de mon école d'ingénieur, et je ne manque pas de travail ! Bien sur il ne faut pas vous en faire si quelques recruteurs ne reconnaissent pas cette certification, il y a des millions d'emplois et d'entreprises dans le monde...
Merci Machine Learnia ! C'est peut être aussi (surtout) grâce à votre école d'ingénieur que vous avez trouvé du travail facilement (?) parce que j'ai tout de même l'impression qu'en France sans diplôme(s) c'est plutôt compromis pour trouver du travail dans cette branche , j'espère me tromper :)
@@laurent9255 Il est vrai que dans certains cas c'est plus compliqué que dans d'autres. Mais tout est possible ! Je connais 2 abonnés qui ont trouvé du travail depuis que j'ai commencé les vidéos, alors qu'ils n'ont pas de master en maths, ni en programmation !
@@MachineLearnia Oui tout est possible ! et par ailleurs j'avoue que je m'y m'intéresse surtout par passion et que même si cela ne rapporte pas d'argent je continuerai :)
C'est très intéressant! Je demande si vous connaissez des sites pour trouver des projets académiques pour bien pratiquer la data science. Merci d'avance
Salut, j'ai fini de regarder cette playlist et j'ai finis ton (je vais le relire encore une ou deux fois je penses 😅) tu me conseil quoi pour la suite de mon apprentissage ? Je dois regarder la playlist python ou celle de sk-learn?
Bravo d'avoir fini la playlist ainsi que le livre ! Je te conseille la série complete sur Python, car je montre au fur et a mesure toutes les techniques importantes a connaitre. et cette série est bien plus "pratique" que "théorique".
si y'a une possibilité de nous faire une vidéo sur les perceptron multicouche en et comment crée une base de donner a partir d'une fonction multivariable. Et merci pour ces excellente vidéo merci bcp.
C'est super d'expliquer les maths derrière l'algo ! Cela permet de mieux comprendre l'intuition mathématique qui a amené à la solution, et ainsi peut-être, être en mesure de soi-même pouvoir trouver des optimisations. Cela me fait penser aux vidéos d'Andrew Ng où il explique l'intuition derrière une formule. Exemple : l'introduction d'un moment dans les paramètres pour améliorer le gradient descent: th-cam.com/video/k8fTYJPd3_I/w-d-xo.html (Après dans l'exemple que je viens de mettre, je n'ai pas compris pourquoi finalement avec un moment c'était plus rapide en horizontal, et moins rapide en vertical, mais l'exemple illustre bien la volonté d'expliquer l'intuition). Et le côté historique c'est cool ! Cela permet de donner plus de vie à la formule.
Merci beaucoup Smartful ;) Je compte faire des vidéos beaucoup plus travaillées a l'avenir, mais dans le meme esprit, avec une demonstration sur Numpy / sklearn a la fin ! :D
Je t'invite a suivre la série Python Spécial Machine Learning. A partir de l'épisode 26 (durant le mois de mars) on va passer aux projets avec la communauté
Vos vidéos sont vraiment très explicite car la partie théorique donne l'aperçu de la nation elle-même, svp est-ce je peux avoir le livre dont vous êtes l'auteur. Le livre portant machine learning dans ses contenues
Bonjour et toutes mes félicitations pour l'ensemble de toutes les vidéos (j'ai tout visionné), à la fois instructives et pédagogiques. Je vais me mettre à python dès que possible grâce à ton cours de python accéléré pour utiliser ses riches bibliothèques numériques, éventuellement en dehors du Machine Learning car il n'y a pas qu'en ML qu'on a besoin de résoudre des problèmes de minimisation. En revanche, j'ai cherché à télécharger le livre en suivant le lien de la description. Bien que le 29 novembre soit dépassé, le téléchargement semble toujours impossible sur la page github.com/MachineLearnia. Quand sera-il possible de le télécharger ? Encore merci pour tout ce travail et pour cette envie de partager ton expertise en langue française.
Ne cherchez pas a me ressembler, vous êtes déjà très bien et vous pouvez Etre fier de vous de regarder toutes ces vidéos et de tout faire pour progresser en data science ! Bravo !
Le conférencier, présentant les équations normales issues de la méthode des moindres carrés, comment une grave erreur d'analyse numérique quand il dit que l'inconvénient de la résolution de telles équations nécessite l'inversion de la matrice X.T.dot(X). On n'a pas besoin d'inverser la matrice A quand on a à résoudre le système linéaire AX = b. Il faut plutôt utiliser des méthodes directes, de type Gauss ou Cholesky si A est symétrique définie positive, ou des méthodes itératives, de type Gauss-Seidel ou relaxation.
Mr.Guillaume, je viens de terminer la lecture de ton livre gratuit "apprendre le machine learning en une semaine" et je suis déjà sur le 16 vidéo sur TH-cam. Tu mérites beaucoup de respect pour ton engagement de partager avec tout le monde tant d'infos utiles et cette passion en toi pour ce domaine, merci infiniment.
Merci beaucoup a toi ! Et bravo d'avoir lu le livre en entier, tu iras loin ! :D
@@MachineLearnia 👍💪 s'il s'avèrait que j'aurais besoin d'un conseil dans ce sens là, je pense que vous serez le mieux placé dans un futur proche. Encore je te remercie et que du réussite. Bonne continuation.
Je besoin le lien pour télécharger cet livre s'il vous plaît
Ah mon chère Guillaume ont ne conserve pas genre de vidéo en archives heureusement que tu t'es décidé à nous en faire part simple altruiste efficace force à Toi
Merci beaucoup ! ;) Oui je la gardais parce qu'elle ne suivait pas la continuité logique des choses, mais bon.
Vraiment il n'y a pas de mot pour qualifier ta facon d'explique. un grand merci a vous
Merci de votre simplicité et de la façon dont vous expliquez.
Merci pour le retour positif. A bientôt ! :)
j'ai regardé toutes les vidéos de cette playlist et l'ensemble est tout simplement parfait. Merci et beaucoup de courage
Merci beaucoup !
Aujourd'hui je clôture cette formation que tu as offerte gratuitement. J'ai jamais activé la cloche d'une video youtube, mais là je l'ai fais, j'attends avec impatience tes prochaines videos.Un grand Merci encore.
Sinon comme doléance, pourrais tu faire une autre série de video sur les applications mobile et le machine Learning? c'est à dire comment fusioner ces deux éléments.
Car cela est important, sachant que la plus part des projets qui nous fusent par la tête sont à finalité mobile(par exemple une application mobile vu sur le net, qui permet de prédire ou interpréter le diabète en scannant la rétine de l'oeil).
Bonjour et merci pour ce commentaire très pertinent ! Je vais continuer a faire beaucoup de vidéos sur le machine learning dans les prochains mois. En revanche, je n'ai jamais développé d'application mobile a ce jour, mais ca me plairait beaucoup d'apprendre et de faire une série a ce sujet également :)
A bientôt !
Je ne trouve pas les mots pour vous remercier ..you're the best !
Toujours très instructif et aussi clair beau travail.
Merci beaucoup ;)
Cette série de vidéo est tout simplement divine. Merci pour toutes ces connaissances transmises 😁
Merci pour cette playlist très puissante, ça m'a donné un véritable coup de boost pour la suite, Merci Guillaume ! :)
De rien ! :)
merci Guillaume , très clair , précis et efficace , je te suis . pour la qualité de ton travail et tes explications ..
Merci beaucoup. J'ai hâte de lire tes prochains commentaires :)
Merci beaucoup pour ce contenu qui est juste magnifique, excellente pédagogie. ML est plus facile avec votre formation chapeau.
bonjour Monsieur, je n'ai pas de mot à vous dire! super vous maitrisez votre métier. tes formations sont motivantes. tu es superbe.
Clair, précis et pédagogue. Merci pour votre travail !
Merci beaucoup :)
Où est la "video suivante" dont tu parle en fin de video ?
J'adore votre pédagogie. Vous êtes le meilleur .
J'aime trop vos vidéos c'est hyper clair et précis, j'adore !!!
Merci :)
waouh . content d avoir vu toutes tes videos
Merci pour les explications qui sont simples et pertinente
Nous attendons la suite de cette formation . et Merci encore une fois .
Merci beaucoup :)
Merci Fort bien cher Guillaume c'est super beau comme d’habitude
Merci Aymen :)
je vous en prie :)
merci pour le temps pris et la clarté de vos explications .... je suis abonné
Merci beaucoup, c'est un vrai plaisir.
Bonjour Guillaume, merci pour tes cours, c'est vraiment top !
de rien !
Cette formation restera une référence pour moi ;)
C'est un honneur, merci ! :)
j'adore votre pédagogie. Félicitations :)
Merci c'est un plaisir de le savoir !
Vous etes le meilleur je te jure, vous counnnais pas comment vous m'avez sauver de vie :(
S'il vous plaît la dernier vidéo c est pour quand ?
Bonjour elles vont continuer sous un autre format a l'avenir, mais toujours sur cette chaine TH-cam ainsi que le site (un format meilleur avec une qualité meilleure)
waoh, ça c'était très puissant et simple à la fois ! Merci guillaume !
Merrci ! :)
Un travail remarquable !
Merci beaucoup !
Svp je veux savoir comment testé le modèle
Bonsoir je n'est pas vue la vidéo 10 dans la playlist vous n'avez pas fait une 10ème vidéos ?
Bonsoir, la suite de cette formation s'il-vous-plaît, j'en ai besoin.
merci beaucoup , beau travail :) as always
Merci beaucoup :)
Bonjour monsieur,
S'il-vous-plaît où je peux trouver la vedio qui montre la fonction normal avec numpy parce que j'ai pas la trouver au sien de votre playlist.
Cordialement.
Bonjour, pour créer des données distribuées normalement vous pouvez utiliser la fonction np.random.randn(1000) ce qui vous retourne 1000 points distribuées normalement. Je ne sais pas si c'est de ca dnot vous voulez parler
ou puis-je trouver votre livre?
salut, je suis étudiant en Master cybersécurité et je viens de suivre tout vos cours de machine learning. j'aimerai bien concevoir une application de machine learning sur le secteur de l'agriculture. Mais je ne c'est pas par ou commencé. Merci infiniment par se partage de connaissance.
Bonjour,
Je vous conseille de définir votre problème, définir et chiffrer vos objectifs (les résultats que vous espérer obtenir) et ensuite comprendre quelles Données vous pouvez collecter pour développer des modèles pour atteindre vos objectifs.
@@MachineLearnia merci Mr je vous reviendrai plus tard. Je suis un peu confus conercant le projet ML sur l'agriculture. Je voudrai juste apporté ma participation dans l'autosuffisance alimentaire grace au ML
@@senedakartv7203 beaucoup de projets peuvent etre sujet au Machine Learning. Mes conseils du dessus restent valables
@@MachineLearnia merci je vous ferai part d'un projet. La je suis entrain de suivre vos cours de python avec faciliter. Encore merci
@@senedakartv7203 Si vous voulez nous faire part de vos projets, rejoignez la communauté Discord (lien dans la description de la vidéo)
bonjour les tutos son incroyable meme si j aurais prefere avoir une suite
Bonjour, merci beaucoup pour toutes ces vidéos de qualité exceptionnelle ! C'est extrêmement motivant.
Juste une petite question, le vecteur gradient ne serait-il pas plutôt de dimension (n+1) * 1 au lieu de n * 1 ? ( A 2:30 dans la vidéo).
Avec m le nombre de lignes du dataset, et n le nombre de features : X serait de dimension m*(n+1), sa transposée de (n+1)*m et theta (n+1)*1.
Par 'analyse dimensionnelle' de la formule, le gradient serait de dimension (n+1)*1.
Je ne suis pas un expert, je peux me tromper, c'est juste pour vois si j'a bien compris.
Vous expliquez bien 😊
bonjour svp est ce que un aura une suite pour cette série de vidéos si c'est le cas c'est pour quand?
car la dernière vidéo date de 2019
merci pour votre réponse
Bonjour, la suite est dans les autres playslits d'une certaine maniere.
Bonjour Guillaume,
Pourquoi parles tu de la taille du dataset dans la difficulté à inverser une matrice nxn ?
Sauf erreur de ma part, n est le nombre de features donc inverser une matrice nxn c'est pas impossible à faire si n vaut quelques milliers. Evidemment si les features ce sont les pixels d'une image qui fait quelques megapixels c'est autre chose.
La difficulté vient plutôt du calcul de XT.X où la taille du dataset m intervient, je me trompes ?
Non tu ne te trompes pas, j'ai juste fais un abus de langage dans la vidéo en confondant "taille" avec "largeur" facon de parler...
quand peut-vous faire des vidéos sur la classification
bonjour, j'en ai déja faites (sur ma série Python Machine Learning)
J'adore cette vidéo, grâce à elle j'ai pu encore mieux comprendre l'exemple de cette méthode de régression linéaire présenté dans le deep learning textbook de Goodfellow. Franchement merci
Ca me fait très plaisir d'avoir pu t'aider ! :)
Vous expliquez bien, vous n'avez pas besoin de la musique de fond (qui est dérangeante) !
Bien noté, merci !
Excellente chaîne !!!
Petite question,
Est-ce que les équations normales permettent d'éviter les minimas locaux qu'on rencontrait avec des méthodes type gradient ?
bonjour, non elles ne le permettent pas. Mais dans la pratique on n'utilise pas cette méthode car s'il y a présence de minima locaux, c'est que le probleme est de toute facon trop compliqué pour des équations normales.
Super vidéo grand Merci ! par contre je n'ai pas trouvé la prochaine vidéo (celle de l'implémentation de ces équations) il me semble que cette vidéo est la dernière dans cette playlist
Oui je n'ai pas poursuivi cette playlist pour le moment, je recommande de visionner l'autre playlist pour continuer
bonsoir guillaume, je viens de finir la formation je vous en remercie pour cette magnifique formation .
permettez moi de vous poser une question à propos de tensorflow : comment puije charger mon datatset sachant que je l'ai télécharger sur mon bureau et il est en fichier zip?
je vous remercie d'avance pour l'attention que vous donnez, bonne journée !
il suffit de unzip, de le charger avec pandas, et passer de pandas a TF.
chokran bazzaf M le professeur
Bonjour Mr Guillaume, je vous remercie infiniment. J'ai appris beaucoup de choses en Machine Learning et Deep Learning à travers vos vidéos, que je n'avais pas comprises auparavant avec les professeurs, surtout le côté mathématique m'a beaucoup aidé à bien comprendre et maîtriser le ML. Je cherche mais je ne trouve pas dans toutes vos vidéos l'explication mathématique de la régression ridge et lasso?
Es ce que quelqu'un sait où est la "video suivante" dont il parle en fin de video ?
Merci pour la vidéo :)
Merci beaucoup ! Je compte faire beaucoup de vidéos qui expliquent les algorithmes en maths a l'avenir, mais en rajoutant une démonstration de code (chose qu je n'ai pas fait ici)
@@MachineLearnia Ah oui très bonne idée ! Moi j'adore les maths, comprendre comment ça marche mais aussi et surtout comment les mettre en pratique !
Je trouve ça très important pour garder l'intérêt envers les maths de montrer concrètement comment on s'en sert et à quoi ça va bien pouvoir te servir à toi plus tard.
Au lycée j'ai jamais compris l'intérêt des maths, je me demandais bien ce que j'allais pouvoir en "foutre", et ce n'est que plus tard en école d'ingénieur que j'ai commencé à y voir une utilité et application concrète, comme en recherche opérationnelle et robotique par exemple.
C'est dommage qu'on explique pas plus tôt aux gens à quoi servent les maths et comment les utiliser dans notre vie de tout les jours, ça provoquerais surement plus d'intérêt pour cette matière.
@@jimdelsol1941 parfait :) Tu as bien raison !
@@MachineLearnia salut! Merci infiniment de votre énorme éffort,
Est ce que vous pouvez mettre une épisode sur l'utilisation du branches mathématique chaqu' une de sa utilité pour servir data science et machine learning,
Sachant que le math se contient 3 grandes branches :
1 analyses (edp, numérique, Fourier, complexes)
2 algébre(théorie des groupes et cours, linéaire et Cripto)
3 statistique et probabilité
j'apprends beaucoup merci pour ton aide.
Ca me fait tres plaisir !
Bonjour, Merci pour le cours. Avez-vous des exemples de problèmes qui sont trop gros pour la méthode des Eq. Normales ?
Bonjour,
Quel est le nom du physicien Allemand ?
Karl Gauss
Bonjour
Je trouve vos leçons très claires et j’aimerais avoir accès à votre livre même en format pdf si c’est possible.
Cordialement
il est dispo sur mon site
Cool. C'est top...A quand la prochaine video?
Cette semaine !
Salut ,
Que pensez vous des certifications python PCPP1-2 ? est-ce que cela est suffisant pour justifier de ses compétences dans ce langage et peut être convaincre des employeurs ? Merci .
Bonjour ! Oui cela peut clairement suffire ! Personnellement j'ai appris a programmer en Python en parallèle de mon école d'ingénieur, et je ne manque pas de travail ! Bien sur il ne faut pas vous en faire si quelques recruteurs ne reconnaissent pas cette certification, il y a des millions d'emplois et d'entreprises dans le monde...
Merci Machine Learnia !
C'est peut être aussi (surtout) grâce à votre école d'ingénieur que vous avez trouvé du travail facilement (?) parce que j'ai tout de même l'impression qu'en France sans diplôme(s) c'est plutôt compromis pour trouver du travail dans cette branche , j'espère me tromper :)
@@laurent9255 Il est vrai que dans certains cas c'est plus compliqué que dans d'autres. Mais tout est possible ! Je connais 2 abonnés qui ont trouvé du travail depuis que j'ai commencé les vidéos, alors qu'ils n'ont pas de master en maths, ni en programmation !
@@MachineLearnia Oui tout est possible ! et par ailleurs j'avoue que je m'y m'intéresse surtout par passion et que même si cela ne rapporte pas d'argent je continuerai :)
@@laurent9255 Je ferai tout pour vous aider :)
C'est très intéressant!
Je demande si vous connaissez des sites pour trouver des projets académiques pour bien pratiquer la data science.
Merci d'avance
Je voulais avoir une idee du machine learning et en quelques heures j'ai eu l'essentiel, grand merci.
de rien !
@@MachineLearnia comment vous contacter svp?
À quand la suite de cette superbe formation ?
Je vais la continuer a travers d'autres playlists je pense.
Top tes vidéo continue
Cours très intéressant, Merci
Puis-je connaître le logiciel que vous utilisez pour les démonstrations manuscrite SVP?
Bonjour, j'écris simplement dans l'application Notes de l'IPAD avec un stylet.
Merci et a bientôt ! :)
Salut, j'ai fini de regarder cette playlist et j'ai finis ton (je vais le relire encore une ou deux fois je penses 😅) tu me conseil quoi pour la suite de mon apprentissage ?
Je dois regarder la playlist python ou celle de sk-learn?
Je voulais dire j'ai finis ton livre 😅😅
Bravo d'avoir fini la playlist ainsi que le livre ! Je te conseille la série complete sur Python, car je montre au fur et a mesure toutes les techniques importantes a connaitre. et cette série est bien plus "pratique" que "théorique".
@@MachineLearnia ok d'accord je rajoute ça à ma to do list et je commence au plus vite.
@@donellessame9194 Bravo pour ta motivation ! :)
@@MachineLearnia merci beaucoup, tes cours sont bien foutue ça donne envie de continuer 🙂
si y'a une possibilité de nous faire une vidéo sur les perceptron multicouche en et comment crée une base de donner a partir d'une fonction multivariable. Et merci pour ces excellente vidéo merci bcp.
Oui comme je l'ais dit dans l'autre vidéo, merci beaucoup ! :)
merci pour les cours
De rien
C'est super d'expliquer les maths derrière l'algo !
Cela permet de mieux comprendre l'intuition mathématique qui a amené à la solution, et ainsi peut-être, être en mesure de soi-même pouvoir trouver des optimisations.
Cela me fait penser aux vidéos d'Andrew Ng où il explique l'intuition derrière une formule.
Exemple : l'introduction d'un moment dans les paramètres pour améliorer le gradient descent: th-cam.com/video/k8fTYJPd3_I/w-d-xo.html
(Après dans l'exemple que je viens de mettre, je n'ai pas compris pourquoi finalement avec un moment c'était plus rapide en horizontal, et moins rapide en vertical, mais l'exemple illustre bien la volonté d'expliquer l'intuition).
Et le côté historique c'est cool !
Cela permet de donner plus de vie à la formule.
Merci beaucoup Smartful ;)
Je compte faire des vidéos beaucoup plus travaillées a l'avenir, mais dans le meme esprit, avec une demonstration sur Numpy / sklearn a la fin ! :D
Beau travail !
Merci !
Super !
merci ;)
merci j'ai ennorment appris
Je vous en prie !
Super ! Merci pour cette vidéo ! :)
Merci beaucoup ! :)
MERCI , très
claire... j'aimerai bien concevoir comment prédit une série temporelle par la méthodes LSTM et Merci infiniment par se partage
Merci beaucoup ! Yes je vais faire une série de vidéos sur LSTM ! :)
@@MachineLearnia merci bien
Merciiiiiii
Bon Merci beaucoup pour cet playlist très utiles à la compréhension de la machine learning . quand la prochaine vidéo #10
Merci beaucoup ! :) Je reprendrai la suite de la série quand j'aurai terminé la série Python.
Merci infiniment. vs êtes un vrai pro
Merci beaucoup !
merci
j'attend la prochaine vidéo
Merci, elle sortira bientot
bonjour Guillame, quand tu vas nous faire des projets concrets pour apprendre a travailler des vrai projet???
Je t'invite a suivre la série Python Spécial Machine Learning. A partir de l'épisode 26 (durant le mois de mars) on va passer aux projets avec la communauté
On vous attend avec impatience
Vos vidéos sont vraiment très explicite car la partie théorique donne l'aperçu de la nation elle-même, svp est-ce je peux avoir le livre dont vous êtes l'auteur. Le livre portant machine learning dans ses contenues
Merci beaucoup votre commentaire est très gratifiant. Mon Ebook est accessible sur mon site Internet (dans la description de la vidéo)
Xt.X = I "matrice identité", donc on peut l'éliminer directement non ?
Dans 5:17
Attention, X.T.X ne donne pas une matrice identité.
La preuve avec le code suivant :
import numpy as np
X = np.random.randn(10, 2)
print(X.T.dot(X))
Il ne faut pas confondre X.T.X avec inv(X).X
@@MachineLearnia Ah oui je suis con j'ai confondu l'inverse du matrice avec la transposé d'une matrice , en tout cas merci pour tes vidéos !
Mais non ca arrive a tout le monde fait des petites erreurs ^^
Merci infiniment... je cherche des cours clair.. depuis longtemps ce qui concerne machine learning
Je suis content de vous aider :)
@@MachineLearnia mercie bien
A 4min24 dans la vidéo tu dis qu'on est obligé de trouver la transposé de (Xt * X ) pour trouver la valeur de theta, je comprend pas pourquoi.
en calcul matriciel, il faut transposer une matrice si on veut la multiplier par elle même
Bonjour et toutes mes félicitations pour l'ensemble de toutes les vidéos (j'ai tout visionné), à la fois instructives et pédagogiques.
Je vais me mettre à python dès que possible grâce à ton cours de python accéléré pour utiliser ses riches bibliothèques numériques, éventuellement en dehors du Machine Learning car il n'y a pas qu'en ML qu'on a besoin de résoudre des problèmes de minimisation.
En revanche, j'ai cherché à télécharger le livre en suivant le lien de la description. Bien que le 29 novembre soit dépassé, le téléchargement semble toujours impossible sur la page
github.com/MachineLearnia.
Quand sera-il possible de le télécharger ?
Encore merci pour tout ce travail et pour cette envie de partager ton expertise en langue française.
Merci beaucoup ! Le livre sera à nouveau disponible d'ici 2-3 jours. Navré pour le contre-temps.
Merci pour les explications c explicite vs êtes le meilleur. Profil agronome j v devenir data scientiste comment parvenir aider mw
Bravo pour votre envie de découvrir la data science ! :)
Merci 😊
De rien !
vous êtes un excellent enseignant. sérieux je veux vous ressembler
Ne cherchez pas a me ressembler, vous êtes déjà très bien et vous pouvez Etre fier de vous de regarder toutes ces vidéos et de tout faire pour progresser en data science ! Bravo !
Merci beaucoup
De rien ! :)
Le conférencier, présentant les équations normales issues de la méthode des moindres carrés, comment une grave erreur d'analyse numérique quand il dit que l'inconvénient de la résolution de telles équations nécessite l'inversion de la matrice X.T.dot(X). On n'a pas besoin d'inverser la matrice A quand on a à résoudre le système linéaire AX = b. Il faut plutôt utiliser des méthodes directes, de type Gauss ou Cholesky si A est symétrique définie positive, ou des méthodes itératives, de type Gauss-Seidel ou relaxation.
MERCI
merci
Elle est finie la formation là ?? XD
Non, je mets des vidéos plus avancées dans d'autres playlists
Merci frr j'ai bcp appris
Ça devfa aller
Mon Dieu mais c'est une chemise blanche!!!!
Ahah ! :D
Où est la "video suivante" dont tu parle en fin de video ?
merci infiniment
merci