@@pascalmathieu2442 Normalement toutes les données sont libre d'accès si tu utilises le code dans la vidéo. Si tu as un problème avec un dataset n'hésite pas à revenir vers moi.
Hello, comment sait on quelle fonction d'erreur on doit minimiser pour trouver les bons coefficient? ie comment est ce qu'on la construit exactement si on veut appliquer la descente de gradient? Je me pose la question car on dirait que cette fonction de l'erreur se construit en testant plusieurs combinaisons de coefficient, ce qui me semble ne va pas dans la direction de la recherche analytique... J'ai l'impression de m'être embrouillé si c'est possible de clarifier! Superbe vidéo! merci beaucoup
La descente de gradient est toujours l'algorithme à utiliser pour faire converger l'erreur d'un modèle vers le minimum. Pour savoir quelle fonction d'erreur utiliser, ça dépend du problème que l'on essaie de résoudre. Chaque fonction d'erreur à été créer pour résoudre un problème précis. Aujourd'hui on a pas à créer sa propre fonction d'erreur mais plutôt utiliser une fonction de coût qui nous permet de résoudre le problème en question. Pour une régression se sera le mean square error, pour de la classification se sera la cross entropy.
Bonsoir. Merci pour ces videos très instructives. je me suis inscrit pour recevoir les documents mais je n'ai rien reçu. le lien est-il d'actualité svp ?
Normalement le lien est toujours d'actualité. Regardez dans vos spams. Si vous ne le recevez toujours pas contacter moi sur Linkedin et donnez moi votre adresse email je vous enverrez un email personnelle avec les documents.
Un grand merci pour cette formation.
De rien, ça m'a fait vraiment plaisir de la créer :)
@@AIforyouMorganGautherot Pourrait-on avoir un lien pour récupérer les datas (style kaggle ou autre) utilsées dans la vidéo ?
@@pascalmathieu2442 Normalement toutes les données sont libre d'accès si tu utilises le code dans la vidéo.
Si tu as un problème avec un dataset n'hésite pas à revenir vers moi.
@@AIforyouMorganGautherot ok merci
De rien, enjoy !
Merci
@@belabbacimohammed5922 merci pour ton retour 😋
Belle initiative!!🎉 Merci beaucoup
De rien, ça m'a bien fait plaisir à créer également :)
Un grand merci à vous.😊😊😊
De rien :)
Salut bon courage à toi
Merci :)
Merci à vous pour votre sacrifice pour ces vidéos qui sont de moins en moins en fonction
C'est-à-dire moins en moins en fonction ?
Je ne pense pas avoir bien compris.
Comment je peux accceder au formation? le site ne marche plus
@@abidichakib148 je vais regarder ca
@@AIforyouMorganGautherot Merci beaucoup
Hello, comment sait on quelle fonction d'erreur on doit minimiser pour trouver les bons coefficient? ie comment est ce qu'on la construit exactement si on veut appliquer la descente de gradient? Je me pose la question car on dirait que cette fonction de l'erreur se construit en testant plusieurs combinaisons de coefficient, ce qui me semble ne va pas dans la direction de la recherche analytique... J'ai l'impression de m'être embrouillé si c'est possible de clarifier! Superbe vidéo! merci beaucoup
La descente de gradient est toujours l'algorithme à utiliser pour faire converger l'erreur d'un modèle vers le minimum.
Pour savoir quelle fonction d'erreur utiliser, ça dépend du problème que l'on essaie de résoudre.
Chaque fonction d'erreur à été créer pour résoudre un problème précis. Aujourd'hui on a pas à créer sa propre fonction d'erreur mais plutôt utiliser une fonction de coût qui nous permet de résoudre le problème en question.
Pour une régression se sera le mean square error, pour de la classification se sera la cross entropy.
Bonsoir. Merci pour ces videos très instructives. je me suis inscrit pour recevoir les documents mais je n'ai rien reçu. le lien est-il d'actualité svp ?
Normalement le lien est toujours d'actualité.
Regardez dans vos spams.
Si vous ne le recevez toujours pas contacter moi sur Linkedin et donnez moi votre adresse email je vous enverrez un email personnelle avec les documents.
Pourquoi tu ne partages pas tes notebook pour que tes auditeurs puissent reprendre ?
Hello, tu peux obtenir les notebooks en description de la vidéo :)