Franchement, ultra quali comme première vidéo, c'est clair, compréhensible facilement, le montage est nickel, Merci beaucoup Hate de voir les prochaines.
Très bien expliqué ! Bien réalisé ! La seule petite remarque c'est que, en ce qui me concerne, je trouve que certaines choses peuvent être passées plus rapidement/dynamiquement. Beaucoup de courage à toi !
Top, c'est un super début pour une première vidéo. Un like et un abonnement (25ème !) pour toi, je suis sûr que dans quelques semaines/mois, tu en auras beaucoup + :)
Exactement, c’est vrai que j’aurai dû plus expliquer le lien avec le prix Nobel dans la vidéo. Le prix récompense ce modèle de réseau (parmi d’autres découvertes) qui s’inspire grandement d’un modèle physique décrivant l’interaction des spins d’électrons. C’est d’ailleurs pour ça que ce que j’appelle "conflit" dans la vidéo est communément appelé "l’énergie du réseau" et qu’on cherche à la minimiser. Je ferai peut être une future vidéo sur le lien proche entre la physique statistique et l’intelligence artificielle en abordant l’entropie, la distribution de Boltzmann etc…
Excellente vidéo ! C'est une introduction très sympa sur le sujet avec un montage dynamique ! D'ailleurs, quel logiciel utilises tu pour faire les animations ?
Merci ! C’est des animations codées en python avec la librairie "Manim". Elle a été initialement créée par le youtubeur 3blue1brown (un génie à mon goût ahah), et maintenant c’est un projet open source avec une bonne communauté
Salut ! Peut tu faire une partie 2 ou tu detaille plus les sur comment mettre plus d’image en memoire et montrer avec un cas plus concret (le footballer par exemple)
Mince j’ai longtemps hésité à l’inclure dans la vidéo… Je ferai peut être une suite pour présenter des modèles plus avancés d’intelligence artificielle!
C'étais hyper intéressant ! L'outil utilisé pour écrire etc c'est le même que celui qu'utilise 3blue1brown si je ne m'abuse ? Je trouve ça fascinant qu'avec un langage gratuit etc ont puisse faire une vidéo d'une si bonne qualité, et sinon pour parlé de la vidéo en elle même le sujet et absolument fascinant j'aurais trop à dire pour que ça rentre dans un commentaire, la vidéo superbe, clair c'est juste génial bravo !
Très intéressant, mais j'ajouterais le code python à partir de l'exemple le plus simple (3x3); il manque aussi un rapport plus étoffé avec le prix Nobel ou bien change le titre.
J'avais une petite question. Quand tu compares l'image avec l'image mémorisée qu'est-ce qui nous prouve que la solution locale va être la meilleure solution global. Dans le sens où si je change un pixel, je me fonde sur tous les autres liens avec les autres pixels qui ne sont pas forcément bon ( dans l'état qui minimise le conflit ). Or je ne reviens pas voir après avoir modifié les prochains pixels si les premiers pixels à avoir été modifié sont toujours dans l'état qui minimise le conflit. Or ça à l'air de bien marcher et je capte pas pourquoi. Ne faudrait t'il pas modifier un pixel, réappliquer l'algorithme à tous les autres et voir si le modifier à bien diminué le conflit global ? Est-ce que tu aurais une idée s'il te plaît ? Merci
Je me suis posé la même question avant de faire la vidéo :). En fait, quand on regarde le conflit pour un neurone, disons pour le premier, on va regarder tous les autres neurones, comme tu l'as dit. Donc, si on change le neurone, on va juste se "rapprocher" de l'image en mémoire qui a le plus de pixels en commun avec l'image actuellement dans le réseau. Imaginons qu'on a mémorisé une image toute blanche et une autre toute noire. En mettant maintenant une image arbitraire dans le réseau, s'il y a plus de pixels blancs, alors ils vont forcer tous les pixels noirs à changer d'état, et s'il y a plus de pixels noirs, ils vont forcer tous les blancs à changer d'état. Cette méthode permet de tomber dans le minimum de l'image en mémoire partageant le plus de pixels avec l'image qui est dans le réseau. Avec ce modèle, on admet implicitement que deux images qui se ressemblent ont beaucoup de pixels en commun, ce qui n'est pas toujours le cas. C'est une des limitations du modèle.
Comment on peut avoir deux images mémorisées ? Un réseau correspond à une image mémorisée, comment peut il correspondre à deux images différentes ? désolé je suis con
Non c’est pas bête comme question, c’était d’ailleurs dans le script avant que je remarque que la vidéo était déjà assez longue. Pour encoder plusieurs images on prend la moyenne des contributions des N images. Si on veut mémoriser 3 images et que individuellement le poids d’une connexion pour chaque image serait de +1, +1, -1, alors on doit fixer le poids à (1+1-1)/3 = 0.333. Il suffit de faire ça pour chaque connexion. À noter que ça fonctionne avec peu d’images et un grand réseau mais si on cherche à encoder beaucoup d’images qui se ressemblent on commence à atteindre les limites de ce modèle qui fonctionnera plus très bien
J’avoue que tout dépend l’interprétation qu’on lui donne ça n’a aucun sens ahah. Ici c’est "Multilayer Perceptron", un type de réseau de neurones qui est un peu une évolution de celui que je présente dans la vidéo
C’est vrai que ça a beaucoup fait débat… ça paraît plus de l’informatique vu comme ça mais c’est fortement inspiré de modèle physique. Si tu veux en savoir plus, la chaîne "Livres et Science" à une super vidéo sur le sujet
Franchement, ultra quali comme première vidéo, c'est clair, compréhensible facilement, le montage est nickel, Merci beaucoup
Hate de voir les prochaines.
Franchement la video est incroyable ton contenue est fluide, intriguant et passionnant continue comme ca ta un énorme potentielle sur youtube
Merci beaucoup !
OK c'était trop cool. Il manque juste les application concrètes de cette techno dans la vie et s'eut été parfait !
courage pour la suite.
Très bien expliqué ! Bien réalisé ! La seule petite remarque c'est que, en ce qui me concerne, je trouve que certaines choses peuvent être passées plus rapidement/dynamiquement. Beaucoup de courage à toi !
Oui je pensais tenter d’autres styles pour le rythme de la vidéo merci beaucoup pour ton conseil !
Top, c'est un super début pour une première vidéo.
Un like et un abonnement (25ème !) pour toi, je suis sûr que dans quelques semaines/mois, tu en auras beaucoup + :)
Merci ! ça me motive d'autant plus à faire la prochaine vidéo :)
Excellent, le concept est simple mais très bien expliqué. Continue comme ca ! +1 abo
Très très bon début. Hâte de voir ce que la suite va nous apporter...
Merci ! Je travaille déjà sur la prochaine vidéo j’espère qu’elle plaira autant :)
Super intéressant et bien expliqué ! Hâte de voir les prochaines vidéos !
Super, mais quel est le rapport avec le prix Nobel, ça aurait été sympa de conclure en remettant en contexte.
Le prix Nobel à sûrement dût concevoir le programme informatique en passant par une démonstration physique (électronique,etc)
Exactement, c’est vrai que j’aurai dû plus expliquer le lien avec le prix Nobel dans la vidéo.
Le prix récompense ce modèle de réseau (parmi d’autres découvertes) qui s’inspire grandement d’un modèle physique décrivant l’interaction des spins d’électrons. C’est d’ailleurs pour ça que ce que j’appelle "conflit" dans la vidéo est communément appelé "l’énergie du réseau" et qu’on cherche à la minimiser. Je ferai peut être une future vidéo sur le lien proche entre la physique statistique et l’intelligence artificielle en abordant l’entropie, la distribution de Boltzmann etc…
Excellente vidéo ! C'est une introduction très sympa sur le sujet avec un montage dynamique !
D'ailleurs, quel logiciel utilises tu pour faire les animations ?
Merci ! C’est des animations codées en python avec la librairie "Manim". Elle a été initialement créée par le youtubeur 3blue1brown (un génie à mon goût ahah), et maintenant c’est un projet open source avec une bonne communauté
@@Malauytb Ah je connaissais pas du tout je vais regarder ça !
Merci beaucoup !
Salut ! Peut tu faire une partie 2 ou tu detaille plus les sur comment mettre plus d’image en memoire et montrer avec un cas plus concret (le footballer par exemple)
Super vidéo!!
Merci beaucoup pour cette est-il en vidéo de la sociabilisation bravo il est incroyable ton algorithme😢😢😢😊
Superbe vidéo, mais pourquoi il n'y a qu'une seule vidéo sur ta chaîne c'est pas assez j'ai envie d'en voir plus :D
Merci ! Ça arrive, je bosse sur la prochaine :)
C’était vraiment très intéressant, et bien expliqué.
Super intéressant, mais j’attendais avec impatience que tu explique comment marchait la mémorisation de deux images dans le réseau 😢
Mince j’ai longtemps hésité à l’inclure dans la vidéo…
Je ferai peut être une suite pour présenter des modèles plus avancés d’intelligence artificielle!
Très qualitatif. Je m’abonne.
Merci !
Superbe vidéo bravo !
C'étais hyper intéressant ! L'outil utilisé pour écrire etc c'est le même que celui qu'utilise 3blue1brown si je ne m'abuse ? Je trouve ça fascinant qu'avec un langage gratuit etc ont puisse faire une vidéo d'une si bonne qualité, et sinon pour parlé de la vidéo en elle même le sujet et absolument fascinant j'aurais trop à dire pour que ça rentre dans un commentaire, la vidéo superbe, clair c'est juste génial bravo !
Merci beaucoup ! Oui exactement c'est la librairie "manim" en python, il a vraiment créé un outil incroyable pour la vulgarisation
Clair, concis, très interésant merci beacoup !
merci, c'est super.
C'est une super vidéo pour une première
Très intéressant, mais j'ajouterais le code python à partir de l'exemple le plus simple (3x3); il manque aussi un rapport plus étoffé avec le prix Nobel ou bien change le titre.
super interessant, merci!
Super explication merci
DEVIENT MON PROOOOOF
Top 👍
J'avais une petite question. Quand tu compares l'image avec l'image mémorisée qu'est-ce qui nous prouve que la solution locale va être la meilleure solution global. Dans le sens où si je change un pixel, je me fonde sur tous les autres liens avec les autres pixels qui ne sont pas forcément bon ( dans l'état qui minimise le conflit ). Or je ne reviens pas voir après avoir modifié les prochains pixels si les premiers pixels à avoir été modifié sont toujours dans l'état qui minimise le conflit. Or ça à l'air de bien marcher et je capte pas pourquoi. Ne faudrait t'il pas modifier un pixel, réappliquer l'algorithme à tous les autres et voir si le modifier à bien diminué le conflit global ? Est-ce que tu aurais une idée s'il te plaît ?
Merci
Je me suis posé la même question avant de faire la vidéo :). En fait, quand on regarde le conflit pour un neurone, disons pour le premier, on va regarder tous les autres neurones, comme tu l'as dit. Donc, si on change le neurone, on va juste se "rapprocher" de l'image en mémoire qui a le plus de pixels en commun avec l'image actuellement dans le réseau. Imaginons qu'on a mémorisé une image toute blanche et une autre toute noire. En mettant maintenant une image arbitraire dans le réseau, s'il y a plus de pixels blancs, alors ils vont forcer tous les pixels noirs à changer d'état, et s'il y a plus de pixels noirs, ils vont forcer tous les blancs à changer d'état. Cette méthode permet de tomber dans le minimum de l'image en mémoire partageant le plus de pixels avec l'image qui est dans le réseau.
Avec ce modèle, on admet implicitement que deux images qui se ressemblent ont beaucoup de pixels en commun, ce qui n'est pas toujours le cas. C'est une des limitations du modèle.
@Malauytb merci de ta réponse
prix nobel de vulgarisation, merci
Cool
Comment on peut avoir deux images mémorisées ? Un réseau correspond à une image mémorisée, comment peut il correspondre à deux images différentes ? désolé je suis con
Non c’est pas bête comme question, c’était d’ailleurs dans le script avant que je remarque que la vidéo était déjà assez longue.
Pour encoder plusieurs images on prend la moyenne des contributions des N images.
Si on veut mémoriser 3 images et que individuellement le poids d’une connexion pour chaque image serait de +1, +1, -1, alors on doit fixer le poids à (1+1-1)/3 = 0.333. Il suffit de faire ça pour chaque connexion.
À noter que ça fonctionne avec peu d’images et un grand réseau mais si on cherche à encoder beaucoup d’images qui se ressemblent on commence à atteindre les limites de ce modèle qui fonctionnera plus très bien
@@Malauytb Ah je me disais bien. Merci!
wow
Super ! '' le neurone à meilleur temps, t'es un franc comtois à tous les coups '' 😂
Qu'est-ce que MLP vient faire dans cette histoire?
J’avoue que tout dépend l’interprétation qu’on lui donne ça n’a aucun sens ahah. Ici c’est "Multilayer Perceptron", un type de réseau de neurones qui est un peu une évolution de celui que je présente dans la vidéo
Bon début pour 1er vidéo bon montage , par contre pas assez pimenté je trouve
Merci pour ton retour, dans le sens plus de rythme ou aller plus en profondeur dans le sujet?
@@Malauytb Non je parlais en profondeur j ai pas lu la desc , sinon continus je kiff de ouf
Quelqu’un m’explique c’est quoi le rapport avec la physique ?
C’est vrai que ça a beaucoup fait débat… ça paraît plus de l’informatique vu comme ça mais c’est fortement inspiré de modèle physique. Si tu veux en savoir plus, la chaîne "Livres et Science" à une super vidéo sur le sujet
héhé, me voila le 100e abonné, (désolé, j'ai l'impression d'être un connard qui dit first mais je trouve ça cool quand même)
Et donc ça c'est de la physique ? y'a une couille chef