Merci c'est tres gentil ! Pour encore plus progresser, je conseille de ne pas que binge-watch les videos, mais de faire les exos et de participer dans la communauté discord.
Bonjour Boss!!! Vraiment,je vous suivait depuis fort l ongtemps .Les vidéos sont vraiment claires et consises. Mais ,on sait que vous êtes basé sur machine learning mais nous voulons une série de vidéo en programmation orientée en Python.Merci pour ces belles vidéos .bon dimanche
Bravo, encore une excellente vidéo. Je trouve que cette chaîne mérite d'être mieux connue, je mettrai donc systématiquement un commentaire pour favoriser son référencement.
Bonjour Guillaume, Franchement, avec ta formation (j'en suis à la 10ème vidéo , car je suis en train de faire cette formation) je repends confiance. Mille merci.
Je suis tres heureux de pouvoir vous redonner confiance en vous. Si vous êtes la c'est que vous en avez les capacités, alors foncez et donnez tout ! Vous allez y arriver et je suis la pour aider :)
Je viens de découvrir votre chaîne. Je suis impressionné par la clarté de votre propos ainsi que la qualité générale de vos vidéos. Avec tous mes encouragements pour la suite.
Merci beaucoup, c'est un très bel encouragement :) Bon courage dans vos projets ! si vous avez des questions vous pouvez mes les poser en commentaire, j'y repondrai.
UN GRAND MERCI .JE ME SUIS ABONNE. DE PLUS JE SUIS EN RECONVERSION ,J' ETAIS CHAUFFEUR DE TAXI DEPUIS 7 LONGUES ANNEES MAIS LA TU ES EN TRAIN DE ME MONTRER QUE C EST TOUT A FAIT A LA PORTEE DE TOUT PUBLIC MOTIVE. JE NE LACHERAI RIEN .( CHOKRANE =MERCI) GUILLAUME .
Merci beaucoup ! Ton commentaire me va droit au coeur ! Je suis ravi de pouvoir aider des gens qui sont en reconversion pour changer de vie ! Tout es possible alors ACCROCHE-TOI et tu y arriveras ! Je serai la pour t'aider ! :) Et Joyeux Noel ! :D
Salut bro, Je pense que j'ai réussi à faire l'exercice sans la méthode reshape def initialisation (m,n): A = np.random.randn(m,n) B = np.ones((m,1)) A = np.concatenate((A, B),axis=1) return A Tu explique tellement bien, c'est le meilleurs cours que je n'ai jamais eu
Vivement merci d'avoir penser faire une vidéo assez claire et très explicite. je viens de commencer mais c'est que avec de tel précision, ça ne peut qu'aller. Je souhaite vivement que vous continuez car Vous Bénissez par votre initiative. Merci
Merci pour cette vidéo très claire et explicite sur les fondamentaux de Numpy :) ! Je suis un bootcamp de Data science et ton contenu m'aide à mieux revenir sur les notions de base pour progresser.
Bonjour ! merci pour ces super cours dont je dévore le contenu. Je suis très perplexe quant aux indices donnés. Avant de les écouter, j'avais rédigé ceci : def initialisation(m, n) : matrice = np.random.rand(m,n) biais = np.ones((m,1)) return np.concatenate((matrice, biais), axis=1) qui me retourne bien une matrice de m ligne et n+1 colonne avec la dernière colonne remplie de 1. J'attends la fin de la seconde vidéo pour comprendre le besoin de reshape() 🤔
Les choses sérieuses ont commencé, j'ai mis toutes mes batteries en marche. J'ai hâte de devenir un vrai Terminator en machine Learning ! Merci beaucoup Guillaume !
Très sympa ! On commence à attaquer les choses sérieuses ! Encore super pour les graphiques, cela m'a aidé pour les "axis" de concatenate. Avant je pensais en terme d’abscisses et d'ordonnées, alors qu'il faut penser en terme de lignes et colonnes de la matrice.
Bonjour, vous avez fait un excellent travail, merci pour tes effort et pour le temps que tu m'as offert en faisant cette belle vidéo bien expliqué. Bon courage
Salut Guillaume, Merci beaucoup pour ce blog et ces vidéos d'une excellente qualité. J'attire ton attention sur une toute petite erreur sur le reshape à 20:37, la bonne solution ne serait-elle pas A = A.reshape((1, A.shape[0])) afin de rester sur le même axe A = [1, 2, 3]. C'est vraiment juste pour vérifier si j'ai bien compris :) Vraiment très hâte de découvrir la suite de la série en cours et bonne continuation à toi
Salut ! c'est une bonne question que tu poses la, en fait oui et non, ca dépend comment on voit les choses. Mais si tu fais (1, 3) alors tu passes tes données sur l'axe 1 de ton tableau, alors qu'avant elles était sur l'axe 0. Tu vois ce que je veux dire ? En bref soi juste bien a l'aise avec le systems d'axe, c'est le plus important, et je pense que tu l'es.
Salut, je suis l'ensemble de tes videos avec interet. Et celle ci m'a particulièrement intérréssé pour travailler sur un algorithme exercice que j'ai en cours. Il ne s'agit pas ( enfin pas encore...) de machine learning pour l'instant, mais ca va vraiment m'aider. Alors Merci !
@@MachineLearnia pas encore ! C'est prévue car je vais finir une formation python orienté web et je pense me former par la suite côté machine learning via votre chaîne pour commencer 😜
pour ceux qui n'arrivent pas à importer numpy : allez dans votre invite de commande windows et tapez pip install numpy. attention si ca vous mets invalid syntax alors il faut que vous sortiez de python dans l'invite de commande, donc faites exit() et ensuite tapez pip install numpy
24:00 import numpy as np def initialization(m,n): w = np.ones((m,1)) b = np.random.randn(m,n) z = np.hstack((b, w)) return z print(initialization(6,4)) heureka !!!
D'abord merci pour tes vidéos, elle sont d'excellente qualité et vraiment clair ! J'en suis a mon deuxième visionnage pour bien finir de tout intégrer en enfoncer le clou ^^ cette série a créer un véritable déclic chez moi, merci pour ca. Par ailleurs, en reregardant jme suis rendu compte que on pouvais reshape de cette manière : A.reshape(-1,1) Le -1 indique qu'il faut conserver la première dimension, une contre indication à cette méthode ?
00:40 Le tableau Numpy, ses dimensions et sa shape
05:20 initialiser un ndarray: np.ones, np.zeros,
09:15 np.random.randn
12:04 np.linspace, np.arange
13:24 dtype=np.float16 np.float64
15:43 Assembler des tableaux: vstack hstack concatenate
18:40 np.reshape np.squeeze
22:18 np.ravel()
23:08 Exercice
ENFIN quelqu'un qui explique simplement et clairement numpy.
Merci beaucoup
Merci beaucoup pour ton compliment :)
Vraiment, très belle vidéo, c'était mon petit déjeuner ce matin
Je binge-watch tes vidéos mon ami... et mon respect et ma gratitude pour toi grandissent à chaque nouvelle vidéo. MERCI
Merci c'est tres gentil ! Pour encore plus progresser, je conseille de ne pas que binge-watch les videos, mais de faire les exos et de participer dans la communauté discord.
Ok je commence à devenir addict : vivement la prochaine vidéo!!!
Merci ! la prochaine vidéo sort demain ! :D
Merci de partager ! ^^ Plus on est nombreux plus on rit ! :)
Bonjour Boss!!! Vraiment,je vous suivait depuis fort l ongtemps .Les vidéos sont vraiment claires et consises.
Mais ,on sait que vous êtes basé sur machine learning mais nous voulons une série de vidéo en programmation orientée en Python.Merci pour ces belles vidéos .bon dimanche
Bravo, encore une excellente vidéo. Je trouve que cette chaîne mérite d'être mieux connue, je mettrai donc systématiquement un commentaire pour favoriser son référencement.
Merci a vous, c'est fort aimable !
Bonjour Guillaume
Je suis actuaire et j apprends à coder sur python
Ta chaine youtube est une pépite.
Merci!
Bonjour Guillaume,
Franchement, avec ta formation (j'en suis à la 10ème vidéo , car je suis en train de faire cette formation) je repends confiance.
Mille merci.
Je suis tres heureux de pouvoir vous redonner confiance en vous. Si vous êtes la c'est que vous en avez les capacités, alors foncez et donnez tout ! Vous allez y arriver et je suis la pour aider :)
Je viens de découvrir votre chaîne.
Je suis impressionné par la clarté de votre propos ainsi que la qualité générale de vos vidéos.
Avec tous mes encouragements pour la suite.
Merci beaucoup, c'est un très bel encouragement :) Bon courage dans vos projets ! si vous avez des questions vous pouvez mes les poser en commentaire, j'y repondrai.
Félicitation ! Je tire le chapeau à votre génie et à votre générosité. Merci.
Merci, ça me fait très plaisir. :)
Grâce à ces vidéos, je trouve le machine learning et la programmation très passionnants. Vos vidéos sont de qualité exceptionnelle
Merci ! tres content de vous aider et vous transmettre ma passion !
UN GRAND MERCI .JE ME SUIS ABONNE. DE PLUS JE SUIS EN RECONVERSION ,J' ETAIS CHAUFFEUR DE TAXI
DEPUIS 7 LONGUES ANNEES MAIS LA TU ES EN TRAIN DE ME MONTRER QUE C EST TOUT A FAIT A LA PORTEE DE TOUT PUBLIC MOTIVE. JE NE LACHERAI RIEN .( CHOKRANE =MERCI) GUILLAUME .
Merci beaucoup ! Ton commentaire me va droit au coeur ! Je suis ravi de pouvoir aider des gens qui sont en reconversion pour changer de vie ! Tout es possible alors ACCROCHE-TOI et tu y arriveras ! Je serai la pour t'aider ! :)
Et Joyeux Noel ! :D
Salut bro,
Je pense que j'ai réussi à faire l'exercice sans la méthode reshape
def initialisation (m,n):
A = np.random.randn(m,n)
B = np.ones((m,1))
A = np.concatenate((A, B),axis=1)
return A
Tu explique tellement bien, c'est le meilleurs cours que je n'ai jamais eu
Merci et bravo pour ton code !
merci !
j'ai progresser en Python avec tes videos merci beaucoup 👍🏻
Je suis très heureux de l'apprendre :)
Merci Guillaume pour ces formidables videos ! C'est pas donné a tout le monde cette capacité à transmettre le savoir
Bravo d'un coup ca devient un plaisir d'apprendre python et le deep learning
C'est super que tu montres la documentation à chaque fois, comme ça on apprend à s'en servir !
Je suis content que cela aide :)
Jamais vu une telle explication concernant au machine Learning
Vraiment vôtre explication est excellente merci merci beaucoup 🌷
Merci beaucoup et a bientôt j’espère :)
Juste incroyable de pédagogie vos vidéos. Juste un grand MERCI
Géniale cette vidéo, merci pour toutes ces précisions sur Numpy !
Merci beaucoup pour le retour ! :)
Bravo, merci pour votre travail. Pour moi c'est un loisir. J'apprécie beaucoup vos éclaircissements !
Merci a vous ! :)
hyper clair avec les schémas !parfait
Merci Guillaume :) #plusdeschemas
Vivement merci d'avoir penser faire une vidéo assez claire et très explicite. je viens de commencer mais c'est que avec de tel précision, ça ne peut qu'aller. Je souhaite vivement que vous continuez car Vous Bénissez par votre initiative.
Merci
Merci je suis heureux de savoir que la vidéo peut vous aider !
Merci pour cette vidéo très claire et explicite sur les fondamentaux de Numpy :) ! Je suis un bootcamp de Data science et ton contenu m'aide à mieux revenir sur les notions de base pour progresser.
merci ! bon courage pour ton bootcamp
Merci beaucoup pour ces vidéos! Clair, précis et concis!
Je vous en prie !
Bonjour ! merci pour ces super cours dont je dévore le contenu.
Je suis très perplexe quant aux indices donnés. Avant de les écouter, j'avais rédigé ceci :
def initialisation(m, n) :
matrice = np.random.rand(m,n)
biais = np.ones((m,1))
return np.concatenate((matrice, biais), axis=1)
qui me retourne bien une matrice de m ligne et n+1 colonne avec la dernière colonne remplie de 1. J'attends la fin de la seconde vidéo pour comprendre le besoin de reshape() 🤔
Excellent formateur, je suis devenu accro à tes vidéos ahah
Je recommande vivement !!!
Merci ! :)
trop bien vive numpy vous m'avez convaincue !!!!
Yes :D
Merci beaucoup pour ton travail. Les vidéos sont vachement très clairs et ludique. Je suis surtout hyper content d'avoir enfin comrpis Numpy
Merci et je suis content si tu as compris Numpy ! :)
Les choses sérieuses ont commencé, j'ai mis toutes mes batteries en marche. J'ai hâte de devenir un vrai Terminator en machine Learning !
Merci beaucoup Guillaume !
Yes bravo a toi :D
Je pense que tu es un exemple en tant que formateur, car tu prends le temps de faire des vidéos et en plus de bonne qualité.
Merci beaucoup :)
Très sympa !
On commence à attaquer les choses sérieuses !
Encore super pour les graphiques, cela m'a aidé pour les "axis" de concatenate.
Avant je pensais en terme d’abscisses et d'ordonnées, alors qu'il faut penser en terme de lignes et colonnes de la matrice.
Oui tout a fait ! :) Merci beaucoup
Merci beaucoup pour cette précieuse leçon
Je vous en prie ! :)
Bonjour, vous avez fait un excellent travail, merci pour tes effort et pour le temps que tu m'as offert en faisant cette belle vidéo bien expliqué. Bon courage
vraiment un gand merci à vous😘 c"est bon prof pour moi dans ce domaine.....
je vous en prie ! :)
Des explications claires et précises, c'est superbe. Mercii bcq :)
Merci beaucoup ! bravo pour ta motivation a regarder la série en entier !
Merci infiniment Guillaume pour ce travail remarquable.
De rien :) Merci a vous !
Good job. C'est très utiles tes vidéos. Courtes et faciles à comprendre.
Merci, je suis tres content que cela te plaise :)
Explication Numpy comme jamais vu
Merci,
La qualité au rendez-vous, je suis arrivé ici avec beaucoup de questions mais chaque vidéo j'en ai de moins en moins . Merci!
Top top le cousin français! Très bonne vidéo sur le sujet :)
Merci beaucoup :)
Super vidéo très pédagogique 😀😁
Bravo à vous
Merci beaucoup, je suis heureux que la vidéo vous ait plu :)
Bravo et bonne continuation !!!!!!
Merci beaucoup ! Si vous avez la moindre question, laissez la en commentaire ;)
on continue à apprendre avec vous merci !
Bravo pour votre motivation, vous irez loin ! :)
Tres clair et bien explique
Cette vidéo contribue à ma réussite ! Merci pour ton travail 👍
de rien :)
vidéo super intéressante. Merci beaucoup pour toutes ces vidéos
Je vous en prie ! :)
merci beaucoup pour cette formidable formation...
de rien, tout le plaisir est pour moi :)
au top mec t'es video ca y est-on entre dans le vif du sujet pour mon cas !
Super ! C'est ce que j'adore ! Si tu as un problème, fais moi signe, on trouvera la solution ! :D
Vraiment j'adore c très clair merci infiniment professeur
Merci :)
Merci monsieur pour cette explication
Ty I got my first divine because of you
Merci, vidéo très bien faite.
Merci a vous !
Excellente explication merci bcp
Merci a vous !
super utile vidéo, bravo, on commence à entrer dans le vif du sujet
Oui, bravo a vous de regarder la série en entier ! :)
Merci, C'est très bien expliqué !
Merci, suis la jusqu'à la 30 eme vidéo et les prochaines avenir
Merci beaucoup pour ces explications, c'est très clair et concis :)
Très bon pédagogue! Bravo et merci pour la qualité de votre cours Guillaumes !
Merci c'est un honneur
Claire et précise 👍
Merci pour ce cours, très instructif.
Je vous en prie !
Merci 1000x monsieur!
Merci beaucoup c'est géniale
Bravo, encore une excellente vidéo.
Continue comme ça c’est cool ce que tu fais
Merci beaucoup :)
merci pour cette vidéo, c'était très clair!!
de rien !
Vidéo au top, pédagogie excellente, merci beaucoup !
Merci a vous !
Salut Guillaume,
Merci beaucoup pour ce blog et ces vidéos d'une excellente qualité. J'attire ton attention sur une toute petite erreur sur le reshape à 20:37, la bonne solution ne serait-elle pas A = A.reshape((1, A.shape[0])) afin de rester sur le même axe A = [1, 2, 3]. C'est vraiment juste pour vérifier si j'ai bien compris :)
Vraiment très hâte de découvrir la suite de la série en cours et bonne continuation à toi
Salut ! c'est une bonne question que tu poses la, en fait oui et non, ca dépend comment on voit les choses. Mais si tu fais (1, 3) alors tu passes tes données sur l'axe 1 de ton tableau, alors qu'avant elles était sur l'axe 0. Tu vois ce que je veux dire ? En bref soi juste bien a l'aise avec le systems d'axe, c'est le plus important, et je pense que tu l'es.
et me voila ! accros a vos videos , beau travail !!
La data science est une bonne drogue ! Bienvenue au club ! :)
Salut, je suis l'ensemble de tes videos avec interet. Et celle ci m'a particulièrement intérréssé pour travailler sur un algorithme exercice que j'ai en cours. Il ne s'agit pas ( enfin pas encore...) de machine learning pour l'instant, mais ca va vraiment m'aider. Alors Merci !
Le plus important c'est que les vidéos vous aide a progrersser ! Numpy est tres important il est vrai ! :)
Merci infiniment
Super vidéo et explication claire et détaillée.
je suis accro ces top ces vidéo!!!!!
Merci merci merci ! :)
c’est génial 👍 merci l’ami 😁
Merci beaucoup ! :)
Mais elle est géniale cette vidéo ! Et cette playlist ! Et cette chaîne !
Bref c’est top tout ça ! :D
Eh mon audience est géniale aussi :D
Merci pour la vidéo
Merci beaucoup
Merci beaucoup pour cette video
De rien :)
merci pour vos videos
De rien !
Super vidéo !
Merci beaucoup. Avez-vous regardé les autres vidéos Numpy ?
@@MachineLearnia pas encore ! C'est prévue car je vais finir une formation python orienté web et je pense me former par la suite côté machine learning via votre chaîne pour commencer 😜
Merci mon coach!
Je vous en prie !
Bravo, très clair
Merci beaucoup
J'adore !!! Merci
Merci beaucoup
c'est génial, comme d'hab
Merci !
Excellent !!! merci
Merci beaucoup :)
Géniale cette vidéo, merci beaucoup! :D
Je vous en prie :)
Bonne vidéo merci
+200 abonnés en un jour, c'est mérité
Merci :)
Merci bcp ! ! ! ❤😍
De rien :)
merci MR
de rien :)
pour ceux qui n'arrivent pas à importer numpy :
allez dans votre invite de commande windows et tapez pip install numpy.
attention si ca vous mets invalid syntax alors il faut que vous sortiez de python dans l'invite de commande, donc faites exit() et ensuite tapez pip install numpy
parfait 😍
Bien expliqué ....ok
24:00
import numpy as np
def initialization(m,n):
w = np.ones((m,1))
b = np.random.randn(m,n)
z = np.hstack((b, w))
return z
print(initialization(6,4))
heureka !!!
Top mercii bcp.
D'abord merci pour tes vidéos, elle sont d'excellente qualité et vraiment clair !
J'en suis a mon deuxième visionnage pour bien finir de tout intégrer en enfoncer le clou ^^ cette série a créer un véritable déclic chez moi, merci pour ca.
Par ailleurs, en reregardant jme suis rendu compte que on pouvais reshape de cette manière :
A.reshape(-1,1)
Le -1 indique qu'il faut conserver la première dimension, une contre indication à cette méthode ?
Merci beaucoup a toi, ton message fait super plaisir :)
Oui tu peux procéder ainsi, mais n'oublie pas de mettre 2 parentheses ! :D
A.reshape((-1, 1))
Merci Beaucoup !!
de rien :)
def initialisation(m,n):
return np.concatenate((np.random.randn(m,n+1),np.ones(m).reshape(m,1)),axis=1)
print(initialisation(5,3))
merci beaucoup
dictionaire = { }
dictonaire['meilleur chaine']= 'Machine Learnia'
Ahah merci ! :)
Bonjour,
A 10:12, comment c'est possible d'avoir de nombres négatifs si les nombres aléatoires sont distribués avec la loi normale ?
Merci
20:46 : il est possible d'écrire A.reshape((-1, 1)) et automatiquement il ira chercher la bonne dimension qui va bien.
Oui En effet, merci pour le partage d'info :)
def intitialisation(m,n) :
res = np.concatenate((np.random.rand(m,n),np.ones((m,1))), axis=1,dtype = np.float16)
return res
print(intitialisation(5,5))
bravo !