En plus de la qualité des exposés, les illustrations et animations sont géniales. Elles apportent beaucoup à la compréhension, et donnent en même temps une petite touche de légèreté très agréable... Mais quel boulot !
Merci beaucoup pour votre commentaire :) Oui ca demande du boulot mais ca me fait plaisir de produire de telles vidéos, et ca me fait encore plus plaisir de lire vos commentaires ! :)
Bonjour, vous êtes un génie de la pédagogie. J'ai même réussi à faire comprendre à mon neveu de 10 ans comment fonctionne l'apprentissage supervisé. Je ne comprends pas pourquoi votre chaîne n'a pas des millions de vues, avec cet engouement nouveau pour l'IA depuis la sortie de ChatGPT. En France, c'est le seul contenu sur ce sujet, en français aussi clair et agréable à écouter.
Je te remercie du fond du coeur pour tout ton travail. C'est un travail plus que pro, je n'ai jamais vu pareil. C'est des gens comme toi qui font évoluer ce monde, et surtout aide les autres à évoluer aussi. Grand merci!!
Je n'écris jamais de commentaire d'habitude sur aucune des vidéos que je visionne, mais sur la tienne, je te dis un grand bravo ! C'est un très très bon travail pédagogique que voilà. Merci !
Fraichement diplômée en Big data, j'ai voulu me mettre à niveau le temps de décrocher un CDI. Je suis tombée sur cette chaine que j'adore!! vraiment good job
Merci beaucoup ! Bravo pour ton diplôme en Big data et je te souhaite de trouver du travail le plus rapidement possible ! :) Si tu as des questions n'hésites pas.
C'est juste un de mes outils préféré. Dans cette formation je vais encore faire pas mal de vidéos dessus, et par la suite je continuerai a le décortiquer a l'occasion
Bravo et merci ! C'est vrai qu'on entend peu parler de Scikit Learn comparé à TensorFlow, Keras, PyTorch, Fast AI, mais c'est sacrément puissant ! Surtout les 4 lignes de codes pour tous les modèles.
Plus que 10 vidéo !! tout film à une fin je te tire un grand chapeau chère Guillaume de toujours de battre à trouver du temps pour réaliser tes vidéos de fous qui sont si simple en apparence pour un novice mais très utiles pour une personne qui s'y connaît
Super vidéo:) je suis nouvelle dans le domaine de machine learning j'ai une question: -Comment puis-je faire pour tracer la courbe d'apprentissage pour le model SVR comme tu la fait pour la regression lineaire dans l'autre vidéo. Ce que j'ai compris entraîner le model c'est de trouver les meilleur parametre.est ce que cette ligne de code (model.fit(x,y)) change les parametre de model. Merci pour tes super vidéo.
Merci beaucoup ! En effet La méthode fit modifie les paramétrés du modèle (les coefficients). Il ne faut pas confondre ces paramètres avec les hyper-paramètres. Ces derniers ne sont pas modifié par la méthode fit. A la place, ce sont comme des réglages qui définissent comment la machine va apprendre dans la méthode fit. Pour tracer les validation curves d'un modele de SVR, il faut que tu choisisses un hyper-parametre a explorer, par exemple la pénalité "C", et tu écris le code suivant: train_score, val_score = validation_curve(SVR(), X, y, 'C', np.arange(1, 100), cv=3) N'hésite pas a me répondre pour me dire si ca fonctionne ! :)
Bonjour Votre pédagogie, les illustrations et les animations prouve votre excellence dans ce domaine sans commentaire!!!!!!!! Une question svp : Pour le choix du modèle, en fonction de quoi on dit que c'est la régression linéaire ou autre ? Merci très cordialement
Merci beaucoup. On choisit un modèle en fonction du type de problème (classification ou regression) puis selon le relations trouvées dans les données (des relations linéaires, parfois non visibles a l'oeil, favorise le développement de modele linéaire comme SGDRegressor ou LinéaireRegression plutot que d'utiliser KNNRegressor ou des arbres de régression). Enfin, pour choisr entre deux options tres semblables (comme LinearRegression vs SGDRegressor) on se penche sur le nombre d'échantillons dont on dispose dans notre dataset. Souvent, si le nombre de données > 100,000 alors on utilise SGDRegressor plutot que LinearRegression (parce que sinon LinearRegression consomme trop de mémoire)
Bonjour Ce que j'aime chez vous, c'est votre humilité, votre réponse rapide, ce sont les choses qui me motive à regarder votre chaîne.si possible ton email. Bonne journée.
merci pour vote vidéos, j'ai un problème de régression et quand je veut entraîner mes données par model.fit(x,y) il m’apparaît cette erreur " Expected 2D array, got 1D array instead: array=[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]. Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample. " mercii.
Merci. Comme je l'explique dans cette vidéo, il faut que X comporte 2 dimensions. Ici vous ne sélectionnez qu'une variables pour votre régression, alors vous devez (exceptionnellement) ecrire X = X.reshape(-1, 1)
encore une fois du super contenu, je passe toutes mes pauses déjeuner à regarder tes vidéos! Dans celle ci, tu utilises KNN mais sauf erreur de ma part, on n'a pas vu auparavant ce que c'était, le mécanisme derrière etc (comme tu avais fait pour la régression linéaire). Est-ce dans une prochaine vidéo?
Je reviens régulièrement sur votre chaine, alors cela mérite un compliment que je pourrais publier sur chacune des vidéos. Heureusement qu'il y a des gens comme vous, avec un vrai sens de la pédagogie, pour expliquer simplement et efficacement des concepts que d'autres présentent parfois de façon bien plus compliquée qu'ils ne sont en réalité. Vos vidéos sont claires, bien présentées, faciles à comprendre, animées, colorés, agréables... Bref, j'ai beaucoup progressé grâce à vous et je ne peux que vous remercier pour votre contribution ! Vous êtes un exemple en la matière.
Super la video par contre j'ai rencontré des difficultés avec l'import du module car j' ai fait un copier coller des lignes (eh oui je suis un peu fainéant pour écrire) from sklearn.neighbors import KNeighborClassifier model = KNeighborClassifier() et j'avais des erreurs qui me disait que ce module n'existait pas et je me suis aperçu qu'il avait une faute de frappe, il manque le s à KNeighbor_Classifier. Sinon vivement la prochaine vidéo c'est génial.
Bonjour, merci pour la vidéo, lorsque je fais model.fit(X, y) pour le KNeighborsClassifier j'ai lerreur suivante: Input contains NaN, infinity or a value too large for dtype('float64')
C'est parce que vous avez des données manquantes (NaN) dans votre dataset, et la machine ne peut pas faire de calcul avec ces données. Il faut nettoyer vos données au préalable (je vous invite a voir la vidéo sur le preprocessing et les imputer)
@@MachineLearnia j'ai essayé dropna() ça n'a pas fonctionné, puis fillna(), mais cette dernière méthode ajoute des valeurs artificielles, ça ne risque pas de fausser le modèle? Je compte voir la vidéo sur le pré processing ce soir, merci
je ne sais pas comment le dire mais j'ai l'impression que tu as démystifier la data science vraiment si je deviens compètent je serais fier de dire tu m as formé en data science merci infiniment
Salut, merci pour tes tuto ! J'aurais une question au sujet des paramètres et de l'entrainement. Ne serait-il pas mieux de faire une genre de boucle 'while' ou une petite fonction qui ajuste automatiquement les paramètres en fonctions des résultats du loss par exemple ou de la prédiction par rapport au model ? Bon, je suis débutant donc je me pose cette question XD Parce que je me dis que le but d'un IA c'est qu'elle soit automatique et qu'elles apprennent toute seule. Merci d'avance pour ta réponse
Pour le modèle linéaire entrainé sur les données X**2 j'ai trouvé que R^2= 92% donc plus grand que le celui du modèle linéaire où on à R^2=88%. Cela voudrait'il dire que le coefficient de détermination n'est pas un indicateur satisfaisant de la pertinence d'un modèle linéaire? En grand dimension, on a pas la possibilité de visualisation ( ACP exclu).Comment dans ce cas juger la validité d'un tel modèle? Merci
Quelqu'un a posé la même question il y a quelque jours, tu pourras peut-être trouver le pour compléter ma réponse : le coefficient R2 n'est pas suffisant a lui-seul pour juger la qualité d'un modele, comme le montre cet exemple : le modele linéaire sur X**2 semble moins bon, pourtant il a un meilleur score. C'est en fait parce que R2 mesure le rapport entre les erreurs du modele et la variance des données. ici, la courbe X**2 est moins dispersée que le nuage de points X. Donc meme si le modele linéaire rentre bien dans X (et on ne pourrait pas faire mieux) nous obtenons un moins bon score (88%) Dans des espaces de haute dimensions, nous ne pouvons en effet pas visualiser le modele. On dépend donc de la mesure de performance (comme R2) pour évaluer le modele. Mais pas de panique, en fait on utilise la MAE (erreur absolue moyenne) ou MSE (erreur quadratique moyenne) pour évaluer le modele. Ces métriques sont plus fiables que R2. De plus, dans la pratique, on ne compare pas un modele sur plusieurs datasets (comme je le fais dans cet exemple) mais on cherche plutot plusieurs modeles pour un seul et meme dataset (ce qui évite d'avoir ce genre de probleme)
Je suis perdus dans la carte des algorithme sklearn sachent que j'essaye de comprendre les methode de régression(PMC, SVR...etc) mais je trouve sauvent des obstacle. SVP monsieur guillaume pouver vous me citer tt les methode de régression qui existe est quelle methode on utilise ? Merci d'avance.
np.random.seed(0) m = 100 #sample X = np.linspace(0, 10, m).reshape(m, 1) y = np.random.randn(m, 1) plt.scatter(X,y) Je trouve un nuage de points très différents
Bonjour, merci pour cette chaine sur le machine learning et data science c'est très intérissant S'il vous j'ai une question consernat l'algorithmes de support vector machine (SVM) est ce qu'il est valable pour variable qualitative et ce qu'on peut faire de la classification en utilisant les variable qualitatif et quantitatif au meme temps. Merci
Bonjour, merci beaucoup. Oui on peut utiliser SVM pour des régressions ET des classifications. On peut également fournir des données qualitatives et quantitatives aux modeles de SVM. Pour faire ces choses simplement dans sklearn, je recommende d'utiliser l'estimateur SVR (pour les régressions) et SVC (pour les classification)
Salut Guillaume! Comment interpréter le score de 0,88 pour le 1er modèle de regression linéaire (X+...) et le score de 0,92 pour ce même modèle mais qui modélise la fonction (X**2 +...). La droite de regression semble moins adapté mais affiche un meilleur score. Merci d'avance pour ta réponse et pour l'ensemble du savoir que tu nous partages ;)
Salut ! tu as calculé toi-même le 0.92 ? de souvenir je ne l'ai pas calculé dans la vidéo. La question est intéressante ! Le coefficient de détermination ne permet pas a lui seul d'estimer la qualité réelle d'un modèle (tu l'as souligné de toi même). En effet un modele peut parfaitement "fit" les données mais si celles-ci ont une grand variance (comme dans le cas de X -> 0.88) alors le score R2 va etre moyen... Il faut alors utiliser d'autres métriques comme la MSE, MAE, et pourquoi pas des distributions d'erreurs (je t'invite a visionner la video que j'ai fait sur les métriques de régression)
Bonjour Guillaume, j'ai une petite confusion concernant l'overfitting de KNN, comment peut on parler de sur-apprentissage alors que l'algorithme ne cherche pas generer un modèle c'est a dire il n'y a pas une phase d'entrainement Merci d'avance
Bonjour, c'est une bonne question. En effet, le KNN n’entraîne pas de modèle paramétré. Cependant, il y a tout de meme un algorithme qui est crée. Et ce dernier peut engendrer une situation d'overfitting si le score sur le train_set est bien meilleur que le score sur le test_set. l'overfitting existe au-dela des concepts de modeles. Il concerne d'une maniere générale la différence de performance entre train et test. J’espère que ma réponse a pu vous aider.
Très bonne vidéo. Un point qui je penses doit être aborder tôt c'est l' hyper-optimisation (avec les méthodes de in-out sample) car si le débutant a tendance à mal exprimer les dimensions il a tendance à faire un peu trop confiance en son modèle :-) bonne journée et merci.
Bonjour Monsieur,je suis débutante dans la programation avec python et mon projet consiste a créer un réseau de neuronne avec plusieur data pour calculer la charge de travail. et je veux bien savoir si vous pouvez m'aidez a construire ce data set ou bien me donner une idée pour choisir les bonne variable pour avancé?svp
Bonjour, Je vais bientot sortir une série sur le deep learning qui vous apprendra comment créer des réseaux de neurones. En ce qui concerne le dataset, si vous cherchez des données je vous conseille de vou rendre sur Kaggle, mais sinon il faudra créer vos propres données en les récoltant dans votre environement. Pour choisir les bonnes variables, je vous conseille de regarder les autres vidéos de la série dans lesquelle je parle de feature_selection. Bon courage ! :)
Bravo Guillauve, moi je suis déconnectée mais j'arrive à te suivte, c'est bien expliqué, pédagogique et simple et facile à comprendre, bravo, merci beaucoup
bonjour Monsieur, merci pour le travail que vous faites c'est très édifiant pour nous autre qui apprenons le machine Learning. ceci étant j'ai un problème celui de la creation d'un dataset, je veut faire dans la reconnaissance des objets dans les images et je voudrais pouvoir les labeliser. aider moi svp
merci bien. mais je suis abonné a votre chaine UA-cam depuis , je profite même de l'occasion pour vous dire une foie de plus merci pour le livre ça m'est d'un très grand utilité.
merci du temps pris et de l'enseignement guillaume..... c'est vraiment ce que l'on veut voir sur youtube.... claire fiable et valide au fait est ce que vous pouvez parler sur pycharm avec machine learning
Merci beaucoup pour votre retour :) Pycharm ne change rien au code que vous pouvez écrire. C'est juste une interface de développement. Mais je pourrai faire des vidéos sur Pycharm si plusieurs personnes me le demandent en effet :)
Salut Lutcas et Merci beaucoup ! :) Keras est un framework de Deep Learning construit sur la Base de Tensorflow (un autre framework de Deep Learning). Keras est spécialisé dans le développement de réseaux de Neurones, ce qui n'est pas le cas de Sklearn (on peut tout juste faire des petits réseaux de Neurones). L'interface de développement de Keras est tres différentes de celles de Sklearn, meme si on retrouve certaines idées. En résumé : Keras -> Deep Learning Sklearn -> Machine Learning.
Excellente vidéo comme toujours, malheureusement pas de chance pour pclass=3 de survivre selon cette dataset :) . Merci infiniment pour ce contenu assez simple et pertinent. J'aimerai bien que les prochaines vidéos seront sur des données réelles qui nécessitent un traitement avant la mise en prod. Merci encore je vous souhaite bonne continuation.
Merci beaucoup pour ce commentaire ! Oui, je ne voulais pas faire ma premiere vidéo sur la réalisation d'un réseau de neurones récurrents a 16 couches ! ahah
Toujours au top , cette vidéo est très bien faite et tu ne présente parfaitement le package Sklearn, comme moi je suis débutant et nouveau en Sklearn donc c'est vraiment mais alors vraiment très bien expliqué et détaillé, merci infiniment. Ps: j'ai juste une petite question SVp, en fait je suis nouveau en machine learning, je connais la régression linéaire et d'ailleurs c'est grâce à vous car je l'ai appris via l'autre playlist de machine learning, mais malheureusement je connais absolument rien aux SVM, KNN, Ridge regression, Réseau de neurone, arbre de décisions et pleins d'autres modèles vu dans la map, alors j'aimerais savoir si vous pouvez me référencer vers des sites ou tutos où ils expliquent ça (genre le principe) ou faire quelques vidéos théoriques expliquant ces notions ou modèles pour savoir quand les utiliser. Merci infiniment encore une fois. Cordialement.
Bonjour et merci beaucoup. Je ne connais malheureusement pas de sites qui recensent et expliquent tous ces algorithmes. C'est la raison pour laquelle je compte créer un tel répertoire sur mon site Internet MachineLearnia d'ici les prochaines semaines, donc cela vous aidera beaucoup :) (avec des vidéos et des animations)
Bravo pour ces vidéos très explicatives. Par curiosité, quel outil utilises tu pour les illustrations et animations qui sont très bien faites? J'attends la suite avec impatience.
J'ai jamais eu à écrire un commentaire mais je l'avoue vos illustrations et vos explications professionnelles m'ont poussées à suivre cette formation et en terme de qualités d'enseignements elle est parfaite.
Bonjour, comment expliquer le score ci-dessous (93%) avec un modèle inadéquat ? np.random.seed(0) # pour toujours reproduire le meme dataset m = 100 # créer 100 samples x = np.linspace(0, 10,m).reshape(m,1) y = x**2+ np.random.randn(m,1) from sklearn.linear_model import LinearRegression model=LinearRegression() model.fit(x,y) model.score(x,y) print('score=',model.score(x,y)) #score= 0.928782407186839 model.predict(x)
Merci beaucoup Thierry ! Ca me touche énormément ! Je me donne a fond pour sortir le contenu qui aidera mon public a devenir meilleur, alors c'est génial chaque fois que je lis ce genre de message :)
9:45 Tu ne dois pas évaluer un modèle avec les mêmes données que les données d’entraînement… il faut scinder en deux 80% des données de test et 20% des données d’évaluation par exemple! Sinon, OVERFITTING IS GUARANTEED
Bonjour Guillaume, Vraiment très impressionné par cette vidéo. Super clair , et vidéo très bien présentée. Du travail de pro. Merci pour tout ce travail. Je vais de ce pas regarder tes autres vidéos.
Bonjour et merci pour la vidéo. Elles sont très édifiantes. Mais j'ai un souci, quand je fais un model.score(X,y). J'ai comme réponse 1. Et c'est pas normal. Et quelque soit les paramètres (âge sexe pclass) l'algorithme me renvoie toujours comme valeur 1 (que je vais survivre)
Bonjour, le data scientist S'il vous plait, j'essais de faire une classicition avec les svm mais j'arrive pas de le faire je suit beasoin d'un code main. Si tu peu m'aidé merci .
Oui nous pouvons t'aider ! Je t'invite a rejoindre le discord de la communauté Machine Learnia. Il y a pas mal de Data Scientists dessus et tu pourras copier / coller ton code :)
bonjour Guillaume Vraiment Vraiment Grand Merci Je suis étudiant en deuxième année de Licence en Génie Logiciel Je m'interesse béaucoup à l'IA. ma question est la suivante : Comment deployer modele de machine Learning sur une Appication mobile ou web ,logiciel par exemple?
Merci pour cette formation qui m'a beaucoup appris sur le machine learning, mais quel model utiliser pour un tableau pandas comme celui du BTC-EUR par exemple? le model KNeighborsClassifier me renvoie une erreur et qu'il faut faire un reshape...
L'évaluation de la qualité du modèle de cette façon n'est pas bonne car on voit la performance sur les données d'ajustement, il faudrait le faire sur des données qui n'ont pas servi à l'ajustement (cross-validation)! Merci pour cette vidéo! Quand je reproduis ta fonction survie, j'ai un message d'avertissement : UserWarning: X does not have valid feature names, but KNeighborsClassifier was fitted with feature names Il faudrait re-associer les noms des colonnes sur notre tableau numpy x dans la fonction pour que cela n'apparaisse pas? Je ne pense pas que cela soit problématique pour mon résultat?
j'ai quelque question : 1-est ce que c'est possible de lire un fichier excelle partager sur réseaux en python et d'afficher des graphiques en temp-réelle et quelle est la méthode utiliser 2-est ce qu'on peut afficher des graphiques sur mon GUI pyQt5 et comment faire ceci
Bonjours et merci encore pour cette vidéo, voilà j'ai une toute petite question. J'ai vu votre série sur le ML avec Python, j'ai vu le concept de 'Learning_rate', l'erreur quadratique, la décente de gradient et le temps d'une époque, alors j'aimerais savoir où sont spécifié ces paramètres dans par exemple m = LineairRegression() puis on fait fit directement je ne vois pas où on a dit à notre régression linéaire d'utiliser la décente de gradient, ou bien l"erreur quadratique ou encore la durée d'une époque ou la valeur du learning_rate. Merci beaucoup.
Bonjour ! Je crois avoir répondu a ta question sur le discord :) dans sklearn, LinearRegression() correspond a la méthode des équations normales (méthode des moindres carrés) SGDRegressor() correspond a la descente de gradient (SGD signifie Stochastic Gradient Descent) et on peut préciser le learning_rate (eta0) le nombre d'itérations (max_iter) et d'autres hyper-paramètres dans ce modèle de ML :)
@@MachineLearnia merci infiniment vous me sauvez comme d'hab hhhhhhhhhh, impatient de voir l'apprentissage non supervisé, protégez vous bien . Cordialement
on n'évalue pas un model sur des données qu'il a déjà appris , c'est pourquoi on doit séparer notre dataset en 2 parties données d'apprentissage (environ 75%) et données de test environ (25%)
Bjr merci bp pour votre travail.ou jepeux trouver svp des cours pour les statistiques ou bien les cours de math necessaire pour apprendre le maching learning
Salut Guillaume, Tout d'abord je te remercie pour la formation. ça aide vraiment. Sinon, J'aimerais un peu plus de détail sur le diagramme de différent model du sklerane . ou bien une explication de chaque model du diagramme. Merci d'avance.
En plus de la qualité des exposés, les illustrations et animations sont géniales. Elles apportent beaucoup à la compréhension, et donnent en même temps une petite touche de légèreté très agréable... Mais quel boulot !
Merci beaucoup pour votre commentaire :) Oui ca demande du boulot mais ca me fait plaisir de produire de telles vidéos, et ca me fait encore plus plaisir de lire vos commentaires ! :)
+1
Bonjour, vous êtes un génie de la pédagogie. J'ai même réussi à faire comprendre à mon neveu de 10 ans comment fonctionne l'apprentissage supervisé. Je ne comprends pas pourquoi votre chaîne n'a pas des millions de vues, avec cet engouement nouveau pour l'IA depuis la sortie de ChatGPT. En France, c'est le seul contenu sur ce sujet, en français aussi clair et agréable à écouter.
Tu vulgarise super bien les termes, très pédagogique. C'est rare de voir un contenu de si belle qualité. Bravo 🙏
Je te remercie du fond du coeur pour tout ton travail. C'est un travail plus que pro, je n'ai jamais vu pareil. C'est des gens comme toi qui font évoluer ce monde, et surtout aide les autres à évoluer aussi. Grand merci!!
Merci, c'est très gentil :)
Je n'écris jamais de commentaire d'habitude sur aucune des vidéos que je visionne, mais sur la tienne, je te dis un grand bravo ! C'est un très très bon travail pédagogique que voilà. Merci !
Merci beaucoup, ton commentaire est un rare honneur du coup ! ^^
Fraichement diplômée en Big data, j'ai voulu me mettre à niveau le temps de décrocher un CDI. Je suis tombée sur cette chaine que j'adore!! vraiment good job
Merci beaucoup ! Bravo pour ton diplôme en Big data et je te souhaite de trouver du travail le plus rapidement possible ! :) Si tu as des questions n'hésites pas.
Bonjour à vous
Comme expected c'est toujours au top. Merci pour ton travail. Sci-kit c'est tout nouveau pour moi mias plus maintenant avec ca.
C'est juste un de mes outils préféré. Dans cette formation je vais encore faire pas mal de vidéos dessus, et par la suite je continuerai a le décortiquer a l'occasion
Bravo et merci !
C'est vrai qu'on entend peu parler de Scikit Learn comparé à TensorFlow, Keras, PyTorch, Fast AI, mais c'est sacrément puissant !
Surtout les 4 lignes de codes pour tous les modèles.
J'adore Sklearn ! Merci pour le commentaire :)
Ce n'est pas la même application entre Machine Learning (SKLearn) et Deep Learning (Keras) même si les 2 peuvent être complémentaires.
😅😅
Plus que 10 vidéo !! tout film à une fin je te tire un grand chapeau chère Guillaume de toujours de battre à trouver du temps pour réaliser tes vidéos de fous qui sont si simple en apparence pour un novice mais très utiles pour une personne qui s'y connaît
Merci beaucoup pour ce commentaire ! Oui c'est quand meme un sacré travail pour rendre le contenu simple et ludique :)
Ce moment quand tu vois que Machine Learnia a publié une nouvelle vidéo :DDDDDDDDDDD
(super vidéo! merci!)
Eeeeh Ce moment ou Julien Jaquemont m'écrit un super commentaire :DDDDDD
Ahah merci beaucoup ;)
Merci pour ce beau travail . Maintenant, j'aimerais savoir s'il est possible d'implémenter du ELM ( Extreme Learning Machine) avec SKLEARN ?
Super vidéo:) je suis nouvelle dans le domaine de machine learning j'ai une question:
-Comment puis-je faire pour tracer la courbe d'apprentissage pour le model SVR comme tu la fait pour la regression lineaire dans l'autre vidéo.
Ce que j'ai compris entraîner le model c'est de trouver les meilleur parametre.est ce que cette ligne de code (model.fit(x,y)) change les parametre de model.
Merci pour tes super vidéo.
Merci beaucoup ! En effet La méthode fit modifie les paramétrés du modèle (les coefficients). Il ne faut pas confondre ces paramètres avec les hyper-paramètres. Ces derniers ne sont pas modifié par la méthode fit. A la place, ce sont comme des réglages qui définissent comment la machine va apprendre dans la méthode fit.
Pour tracer les validation curves d'un modele de SVR, il faut que tu choisisses un hyper-parametre a explorer, par exemple la pénalité "C", et tu écris le code suivant:
train_score, val_score = validation_curve(SVR(), X, y, 'C', np.arange(1, 100), cv=3)
N'hésite pas a me répondre pour me dire si ca fonctionne ! :)
Bonjour
Votre pédagogie, les illustrations et les animations prouve votre excellence dans ce domaine
sans commentaire!!!!!!!!
Une question svp :
Pour le choix du modèle, en fonction de quoi on dit que c'est la régression linéaire ou autre ?
Merci
très cordialement
Merci beaucoup. On choisit un modèle en fonction du type de problème (classification ou regression) puis selon le relations trouvées dans les données (des relations linéaires, parfois non visibles a l'oeil, favorise le développement de modele linéaire comme SGDRegressor ou LinéaireRegression plutot que d'utiliser KNNRegressor ou des arbres de régression). Enfin, pour choisr entre deux options tres semblables (comme LinearRegression vs SGDRegressor) on se penche sur le nombre d'échantillons dont on dispose dans notre dataset. Souvent, si le nombre de données > 100,000 alors on utilise SGDRegressor plutot que LinearRegression (parce que sinon LinearRegression consomme trop de mémoire)
Bonjour
Ce que j'aime chez vous, c'est votre humilité, votre réponse rapide, ce sont les choses qui me motive à regarder votre chaîne.si possible ton email.
Bonne journée.
Merci. Mon email est disponible sur la page a propos de la chaine.
comment minimiser le temps d’exécution lorsque j'ai un data set volumineux (SVM) Svp réponde
Pour un dataset volumineux (on va dire plus de 100,000 échantillons) je conseille plutot d'utiliser un réseaux de neurones qu'un SVM
merci pour vote vidéos, j'ai un problème de régression et quand je veut entraîner mes données par model.fit(x,y) il m’apparaît cette erreur " Expected 2D array, got 1D array instead:
array=[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23].
Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample. "
mercii.
Merci. Comme je l'explique dans cette vidéo, il faut que X comporte 2 dimensions. Ici vous ne sélectionnez qu'une variables pour votre régression, alors vous devez (exceptionnellement) ecrire X = X.reshape(-1, 1)
salut, je pense que vous avez pas verifier le probleme d imbalanced data
Bonjour, et merci pour votre remarque. En effet je ne l'ai pas fait dans cette vidéo, mais j'en parle dans les vidéos futures
comment puis-je faire pour ouvrir le fichier ipynb ? Merci pour ton travail, c'est géniale
Pour ouvrir un fichier ipynb, il faut l'importer dans Jupyter notebook, puis l'ouvrir depuis Jupyter notebook.
encore une fois du super contenu, je passe toutes mes pauses déjeuner à regarder tes vidéos! Dans celle ci, tu utilises KNN mais sauf erreur de ma part, on n'a pas vu auparavant ce que c'était, le mécanisme derrière etc (comme tu avais fait pour la régression linéaire). Est-ce dans une prochaine vidéo?
Je reviens régulièrement sur votre chaine, alors cela mérite un compliment que je pourrais publier sur chacune des vidéos. Heureusement qu'il y a des gens comme vous, avec un vrai sens de la pédagogie, pour expliquer simplement et efficacement des concepts que d'autres présentent parfois de façon bien plus compliquée qu'ils ne sont en réalité. Vos vidéos sont claires, bien présentées, faciles à comprendre, animées, colorés, agréables... Bref, j'ai beaucoup progressé grâce à vous et je ne peux que vous remercier pour votre contribution ! Vous êtes un exemple en la matière.
bon aller je vais faire du machine learning pour donner un score au postulant de ma future entreprise !
Ahah ! Ca existe en plus (le machine learning qui évalue les candidats en entretien d'embauche, quel sadisme ahah)
bonjour, on n'aimerais bien que vous partageriez les codes sur github
Bonjour. Je le ferai des que j'en aurais le temps. Je vous invite a me follow si vous voulez être notifié.
@@MachineLearnia déja fait depuis longtemps .je vous suis sur tout les reseaux
Super la video par contre j'ai rencontré des difficultés avec l'import du module car j' ai fait un copier coller des lignes (eh oui je suis un peu fainéant pour écrire)
from sklearn.neighbors import KNeighborClassifier
model = KNeighborClassifier()
et j'avais des erreurs qui me disait que ce module n'existait pas et je me suis aperçu qu'il avait une faute de frappe, il manque le s à KNeighbor_Classifier.
Sinon vivement la prochaine vidéo c'est génial.
Merci beaucoup je vais corriger ca ! ;)
je travaille en ce moment meme sur le montage de la prochaine vidéo :D
Bonjour, merci pour la vidéo,
lorsque je fais model.fit(X, y) pour le KNeighborsClassifier
j'ai lerreur suivante: Input contains NaN, infinity or a value too large for dtype('float64')
C'est parce que vous avez des données manquantes (NaN) dans votre dataset, et la machine ne peut pas faire de calcul avec ces données. Il faut nettoyer vos données au préalable (je vous invite a voir la vidéo sur le preprocessing et les imputer)
@@MachineLearnia j'ai essayé dropna() ça n'a pas fonctionné, puis fillna(), mais cette dernière méthode ajoute des valeurs artificielles, ça ne risque pas de fausser le modèle?
Je compte voir la vidéo sur le pré processing ce soir, merci
Si dropna() n'a pas donné de résultat, c'est peut-etre parce que tu n'as pas préciser d'axe ! (il faut écrire axis=0)
je ne sais pas comment le dire mais j'ai l'impression que tu as démystifier la data science vraiment si je deviens compètent je serais fier de dire tu m as formé en data science merci infiniment
Oh Merci beaucoup, je suis moi aussi très fier et heureux d'avoir de tels commentaires ! C'est tellement important pour moi d'aider les gens ! :)
TU ME SAUVES !!!! merci enfin en francais et super bien expliqué, vraiment agréable ! +1 pour te soutenir
Je suis content d'avoir pu t'aider. :)
Des nouvelles vidéo stp
Salut, merci pour tes tuto ! J'aurais une question au sujet des paramètres et de l'entrainement. Ne serait-il pas mieux de faire une genre de boucle 'while' ou une petite fonction qui ajuste automatiquement les paramètres en fonctions des résultats du loss par exemple ou de la prédiction par rapport au model ? Bon, je suis débutant donc je me pose cette question XD Parce que je me dis que le but d'un IA c'est qu'elle soit automatique et qu'elles apprennent toute seule. Merci d'avance pour ta réponse
Et pour info j'ai pas survécu. AHAHAH
Non pas toi ! :(
Pour le modèle linéaire entrainé sur les données X**2 j'ai trouvé que R^2= 92% donc plus grand que le celui du modèle linéaire où on à R^2=88%. Cela voudrait'il dire que le coefficient de détermination n'est pas un indicateur satisfaisant de la pertinence d'un modèle linéaire? En grand dimension, on a pas la possibilité de visualisation ( ACP exclu).Comment dans ce cas juger la validité d'un tel modèle?
Merci
Quelqu'un a posé la même question il y a quelque jours, tu pourras peut-être trouver le pour compléter ma réponse : le coefficient R2 n'est pas suffisant a lui-seul pour juger la qualité d'un modele, comme le montre cet exemple : le modele linéaire sur X**2 semble moins bon, pourtant il a un meilleur score. C'est en fait parce que R2 mesure le rapport entre les erreurs du modele et la variance des données. ici, la courbe X**2 est moins dispersée que le nuage de points X. Donc meme si le modele linéaire rentre bien dans X (et on ne pourrait pas faire mieux) nous obtenons un moins bon score (88%)
Dans des espaces de haute dimensions, nous ne pouvons en effet pas visualiser le modele. On dépend donc de la mesure de performance (comme R2) pour évaluer le modele. Mais pas de panique, en fait on utilise la MAE (erreur absolue moyenne) ou MSE (erreur quadratique moyenne) pour évaluer le modele. Ces métriques sont plus fiables que R2.
De plus, dans la pratique, on ne compare pas un modele sur plusieurs datasets (comme je le fais dans cet exemple) mais on cherche plutot plusieurs modeles pour un seul et meme dataset (ce qui évite d'avoir ce genre de probleme)
@@MachineLearnia Merci pour la clarté de la réponse.
Je suis perdus dans la carte des algorithme sklearn sachent que j'essaye de comprendre les methode de régression(PMC, SVR...etc) mais je trouve sauvent des obstacle.
SVP monsieur guillaume pouver vous me citer tt les methode de régression qui existe est quelle methode on utilise ?
Merci d'avance.
Bonjour oui je pourrais faire une vidéo qui décrit chaque algorithme et lequel utiliser dans quel situation.
@@MachineLearnia ahhhh merci tu ma sauvée encours une fois merci infiniment j'attends la vidéo😊 tu est le génie que j'ai j'amais vue👍
Merci ahah ! Génie est un grand mot je ne sais pas si je le mérite ! :)
@@MachineLearnia je te jure que tu le mérite j'ai compris plain de chose gras a vous😊
J'adore vos vidéos, merci infiniment , bonne continuation
np.random.seed(0)
m = 100 #sample
X = np.linspace(0, 10, m).reshape(m, 1)
y = np.random.randn(m, 1)
plt.scatter(X,y)
Je trouve un nuage de points très différents
C'est étrange, vous pouvez consulter le code que j'ai sur github si vous avez des doutes.
@@MachineLearnia c'est normal, il génère y avec juste des points random, qd Guillaume génère y comme étant X + ce bruit random ;)
C'est bien vraiment je suis convaincu de votre compétence ,une fois encore merci je très a l'aise avec vos cours là.
Merci beaucoup, je suis content que le cours vous soit utile. :)
Super vidéo
Tes vidéos et tes explications sont d'une qualité et d'une pertinence extrêmement rare. Chapeau bas encore une fois à l'Artiste !
Merci beaucoup pour ce compliment ! :)
Tu es vraiment une personne extraordinairement géniale !
Merci, toi aussi (car c'est gentil de commenter) :)
Thank for the video, i got this error 'KNeighborsClassifier' object is not callable
Imprcable
Merci
Parfait !
Merci ;)
Bonjour, merci pour cette chaine sur le machine learning et data science c'est très intérissant
S'il vous j'ai une question consernat l'algorithmes de support vector machine (SVM) est ce qu'il est valable pour variable qualitative et ce qu'on peut faire de la classification en utilisant les variable qualitatif et quantitatif au meme temps.
Merci
Bonjour, merci beaucoup.
Oui on peut utiliser SVM pour des régressions ET des classifications. On peut également fournir des données qualitatives et quantitatives aux modeles de SVM.
Pour faire ces choses simplement dans sklearn, je recommende d'utiliser l'estimateur SVR (pour les régressions) et SVC (pour les classification)
@@MachineLearnia D'accord monsieur, merci infiniment
Toujours aussi top ces vidéos, et en plus le texte de la description est riche et détaillé, c'est tout bonnement génial, un grand MERCI à nouveau :-)
Merci beaucoup, ca me touche beaucoup :)
Je débute en machine Learning. je n'ai pas encore fait de pratique mais seulement avec tes vidéos j'ai l'impression d'être un pro.
Wow ça me fait super plaisir de lire ça ! :) Je vais bientôt montrer des cas pratiques sur lesquels vous pourrez tous travailler... et progresser ! :)
Merci beaucoup tu es le meilleur!!! J'ai hâte de voir ta prochaine vidéo
@@MachineLearnia J'ai vraiment hâte! :)
Merci pour tes excellentes videos. Mais j'aimerais savoir comment creer son propre dataset ?
Vous pouvez trouver beaucoup de données sur Kaggle.com
Salut Guillaume! Comment interpréter le score de 0,88 pour le 1er modèle de regression linéaire (X+...) et le score de 0,92 pour ce même modèle mais qui modélise la fonction (X**2 +...). La droite de regression semble moins adapté mais affiche un meilleur score.
Merci d'avance pour ta réponse et pour l'ensemble du savoir que tu nous partages ;)
Salut ! tu as calculé toi-même le 0.92 ? de souvenir je ne l'ai pas calculé dans la vidéo.
La question est intéressante ! Le coefficient de détermination ne permet pas a lui seul d'estimer la qualité réelle d'un modèle (tu l'as souligné de toi même). En effet un modele peut parfaitement "fit" les données mais si celles-ci ont une grand variance (comme dans le cas de X -> 0.88) alors le score R2 va etre moyen... Il faut alors utiliser d'autres métriques comme la MSE, MAE, et pourquoi pas des distributions d'erreurs (je t'invite a visionner la video que j'ai fait sur les métriques de régression)
Bonjour Guillaume, j'ai une petite confusion concernant l'overfitting de KNN, comment peut on parler de sur-apprentissage alors que l'algorithme ne cherche pas generer un modèle c'est a dire il n'y a pas une phase d'entrainement
Merci d'avance
Bonjour, c'est une bonne question. En effet, le KNN n’entraîne pas de modèle paramétré. Cependant, il y a tout de meme un algorithme qui est crée. Et ce dernier peut engendrer une situation d'overfitting si le score sur le train_set est bien meilleur que le score sur le test_set. l'overfitting existe au-dela des concepts de modeles. Il concerne d'une maniere générale la différence de performance entre train et test.
J’espère que ma réponse a pu vous aider.
Très bonne vidéo. Un point qui je penses doit être aborder tôt c'est l' hyper-optimisation (avec les méthodes de in-out sample) car si le débutant a tendance à mal exprimer les dimensions il a tendance à faire un peu trop confiance en son modèle :-) bonne journée et merci.
Merci beaucoup. Je vais parler de model selection dans la prochaine vidéo, peut-être que ça couvrira ton commentaire :) A bientôt !
Bonjour Monsieur,je suis débutante dans la programation avec python et mon projet consiste a créer un réseau de neuronne avec plusieur data pour calculer la charge de travail.
et je veux bien savoir si vous pouvez m'aidez a construire ce data set ou bien me donner une idée pour choisir les bonne variable pour avancé?svp
Bonjour,
Je vais bientot sortir une série sur le deep learning qui vous apprendra comment créer des réseaux de neurones.
En ce qui concerne le dataset, si vous cherchez des données je vous conseille de vou rendre sur Kaggle, mais sinon il faudra créer vos propres données en les récoltant dans votre environement. Pour choisir les bonnes variables, je vous conseille de regarder les autres vidéos de la série dans lesquelle je parle de feature_selection. Bon courage ! :)
@@MachineLearnia merci beaucoup pour votre repense
On commence le pratique! merci pour la qualité d'exposition, comme d'abitude superbe vidéo, bonne continuation :-)
Merci beaucoup ! A bientôt :)
Merci beaucoup machine learnia vraiment c cool 😊😊😊😊😊
De rien ! :)
Bravo Guillauve, moi je suis déconnectée mais j'arrive à te suivte, c'est bien expliqué, pédagogique et simple et facile à comprendre, bravo, merci beaucoup
Merci beaucoup Houda :)
Merci et bravo pour la vidéo, une question pour mon projet stp : peut on faire de l'OCR à partir de SKLEARN ?
salut svp c'est quand vous allez poster la vidéo d'apprentissage non super visée
Bonjour, ca sera la vidéo 23, dans 2 semaines je pense
J' espère que ça va être avant mon examen, encore une fois vous êtes le meilleur 😘😘😘 bon continuation
Great Video! well explained. Could anyone please tell me where to get data for house prices in Paris?
Many thanks ! :)
You may want to try this : www.zipparis.com/#!/topic/HOUSING
bonjour Monsieur, merci pour le travail que vous faites c'est très édifiant pour nous autre qui apprenons le machine Learning. ceci étant j'ai un problème celui de la creation d'un dataset, je veut faire dans la reconnaissance des objets dans les images et je voudrais pouvoir les labeliser. aider moi svp
Merci beaucoup. Je vous conseille de rejoindre la communauté sur Discord pour recevoir de l'aide de la communauté :)
merci bien. mais je suis abonné a votre chaine UA-cam depuis , je profite même de l'occasion pour vous dire une foie de plus merci pour le livre ça m'est d'un très grand utilité.
@@ibrahimchakourfopountieche6917 Tout le plaisir est pour moi, merci beaucoup !
A bientot
le plaisir est bien sur réciproque vu que je suis fasciné par ce que vous faites et je compte profiter de votre pour me mettre à niveau
Travail hyper qualitatif et pédagogique merci beaucoup !
je suis très très content aujourd'hui car j 'ai appliqué du machine learning à des données concrètes vraiment merci infiniment
Mais de rien, c'est une grand plaisir d'avoir pu vous aider :)
merci du temps pris et de l'enseignement guillaume..... c'est vraiment ce que l'on veut voir sur youtube.... claire fiable et valide
au fait est ce que vous pouvez parler sur pycharm avec machine learning
Merci beaucoup pour votre retour :)
Pycharm ne change rien au code que vous pouvez écrire. C'est juste une interface de développement.
Mais je pourrai faire des vidéos sur Pycharm si plusieurs personnes me le demandent en effet :)
Très bonne vidéo ! J'ai cependant une question : c'est la différence entre Keras et Sklearn ?
Salut Lutcas et Merci beaucoup ! :)
Keras est un framework de Deep Learning construit sur la Base de Tensorflow (un autre framework de Deep Learning).
Keras est spécialisé dans le développement de réseaux de Neurones, ce qui n'est pas le cas de Sklearn (on peut tout juste faire des petits réseaux de Neurones).
L'interface de développement de Keras est tres différentes de celles de Sklearn, meme si on retrouve certaines idées.
En résumé :
Keras -> Deep Learning
Sklearn -> Machine Learning.
D'accord merci !
@@MachineLearnia donc pour moi qui veut plutôt développer les réseaux de neurones c'est mieux Keras … Vous êtes génial. Merci beaucoup.
Excellente vidéo comme toujours, malheureusement pas de chance pour pclass=3 de survivre selon cette dataset :) . Merci infiniment pour ce contenu assez simple et pertinent. J'aimerai bien que les prochaines vidéos seront sur des données réelles qui nécessitent un traitement avant la mise en prod. Merci encore je vous souhaite bonne continuation.
Merci beaucoup. :) Je vais peu a peu faire des vidéos de plus en plus complexe. :)
Je découvre la chaine, un grand bravo, c'est d'une pédagogie incroyable
Bonjour, pourquoi il me dit ca quand je j'ecrit prediction( NameError: name 'predictions' is not defined) j'ai pas compris ma faute et merci d'avance
Très bien expliqué. Tu peux nous faire un tuto aussi sur LSTM
Excellent, merci une nouvelle fois pour ce condensé de pédagogie. On rentre dans le vif du sujet !
Merci beaucoup pour ce commentaire ! Oui, je ne voulais pas faire ma premiere vidéo sur la réalisation d'un réseau de neurones récurrents a 16 couches ! ahah
Toujours au top , cette vidéo est très bien faite et tu ne présente parfaitement le package Sklearn, comme moi je suis débutant et nouveau en Sklearn donc c'est vraiment mais alors vraiment très bien expliqué et détaillé, merci infiniment.
Ps: j'ai juste une petite question SVp, en fait je suis nouveau en machine learning, je connais la régression linéaire et d'ailleurs c'est grâce à vous car je l'ai appris via l'autre playlist de machine learning, mais malheureusement je connais absolument rien aux SVM, KNN, Ridge regression, Réseau de neurone, arbre de décisions et pleins d'autres modèles vu dans la map, alors j'aimerais savoir si vous pouvez me référencer vers des sites ou tutos où ils expliquent ça (genre le principe) ou faire quelques vidéos théoriques expliquant ces notions ou modèles pour savoir quand les utiliser.
Merci infiniment encore une fois.
Cordialement.
Bonjour et merci beaucoup. Je ne connais malheureusement pas de sites qui recensent et expliquent tous ces algorithmes. C'est la raison pour laquelle je compte créer un tel répertoire sur mon site Internet MachineLearnia d'ici les prochaines semaines, donc cela vous aidera beaucoup :) (avec des vidéos et des animations)
@@MachineLearnia Merci beaucoup, j’espérais au fond de moi que vous allez faire ce genre de vidéos et pas vers un autre site mdr :) :) .
bon courage.
Bravo pour ces vidéos très explicatives. Par curiosité, quel outil utilises tu pour les illustrations et animations qui sont très bien faites?
J'attends la suite avec impatience.
merci beaucoup. J'utilise after effects et powerpoint. La suite sort très bientôt ! :)
Vidéo intéréssante et pédagogique. Merci
J'ai une incompréhension une variable discrete est une variable qualitative et non quantitative
Yay j'aurai survécu à 80% ^^. Heum plus sérieusement, rien à dire comme d'hab excellente vidéo!
Wow tu fais partie des rares personnes a pouvoir dire ca ! Merci beaucoup ^^
J'ai jamais eu à écrire un commentaire mais je l'avoue vos illustrations et vos explications professionnelles m'ont poussées à suivre cette formation et en terme de qualités d'enseignements elle est parfaite.
est ce que vous avez recu son livre?
j'aimerais qu 'est ce que tu penses de tensorflow pour faire de la classification
Tensorflow est un des meilleurs outils pour faire du Deep Learning, je ferai une formation dessus dans quelques mois ! :)
Bonjour,
comment expliquer le score ci-dessous (93%) avec un modèle inadéquat ?
np.random.seed(0) # pour toujours reproduire le meme dataset
m = 100 # créer 100 samples
x = np.linspace(0, 10,m).reshape(m,1)
y = x**2+ np.random.randn(m,1)
from sklearn.linear_model import LinearRegression
model=LinearRegression()
model.fit(x,y)
model.score(x,y)
print('score=',model.score(x,y)) #score= 0.928782407186839
model.predict(x)
Bonjour, je ne comprends pas votre question pardon
Mon premier commentaire sur UA-cam pour te dire que : c'est excellent ce que tu fais ! Je partage le plus possible.
Merci beaucoup Thierry ! Ca me touche énormément ! Je me donne a fond pour sortir le contenu qui aidera mon public a devenir meilleur, alors c'est génial chaque fois que je lis ce genre de message :)
9:45 Tu ne dois pas évaluer un modèle avec les mêmes données que les données d’entraînement… il faut scinder en deux 80% des données de test et 20% des données d’évaluation par exemple! Sinon, OVERFITTING IS GUARANTEED
Quels sont les méthodes de classification des ressources pédagogiques numériques ?
Top, je ne comprends pas toutefois pourquoi tu score sur les données d'entrainement, cela ne génère pas de l'overfitting ?
Bonjour Guillaume, Vraiment très impressionné par cette vidéo. Super clair , et vidéo très bien présentée. Du travail de pro. Merci pour tout ce travail. Je vais de ce pas regarder tes autres vidéos.
Merci beaucoup, ce commentaire me fait très plaisir ! Bon visionnage et bon courage :)
Bonjour et merci pour la vidéo. Elles sont très édifiantes.
Mais j'ai un souci, quand je fais un model.score(X,y). J'ai comme réponse 1. Et c'est pas normal. Et quelque soit les paramètres (âge sexe pclass) l'algorithme me renvoie toujours comme valeur 1 (que je vais survivre)
Scikit-learn peut-il être utilisé pour créer un chatbot à peu près performant ?
hi, plz can we get the slides that u read from ?
Bonjour, le data scientist
S'il vous plait, j'essais de faire une classicition avec les svm mais j'arrive pas de le faire je suit beasoin d'un code main. Si tu peu m'aidé merci .
Oui nous pouvons t'aider ! Je t'invite a rejoindre le discord de la communauté Machine Learnia. Il y a pas mal de Data Scientists dessus et tu pourras copier / coller ton code :)
@@MachineLearnia d accord. Merci beaucoup
bonjour Guillaume Vraiment Vraiment Grand Merci Je suis étudiant en deuxième année de Licence en Génie Logiciel Je m'interesse béaucoup à l'IA.
ma question est la suivante : Comment deployer modele de machine Learning sur une Appication mobile ou web ,logiciel par exemple?
Merci pour cette formation qui m'a beaucoup appris sur le machine learning, mais quel model utiliser pour un tableau pandas comme celui du BTC-EUR par exemple? le model KNeighborsClassifier me renvoie une erreur et qu'il faut faire un reshape...
Juste parfait 👌🏻
Merci
Bon ben, issue du modèle de survie : 0, probabilité = 1. Je déconseille ce navire.
ZI video
Ahah merci beaucoup ;)
L'évaluation de la qualité du modèle de cette façon n'est pas bonne car on voit la performance sur les données d'ajustement, il faudrait le faire sur des données qui n'ont pas servi à l'ajustement (cross-validation)!
Merci pour cette vidéo!
Quand je reproduis ta fonction survie, j'ai un message d'avertissement : UserWarning: X does not have valid feature names, but KNeighborsClassifier was fitted with feature names
Il faudrait re-associer les noms des colonnes sur notre tableau numpy x dans la fonction pour que cela n'apparaisse pas? Je ne pense pas que cela soit problématique pour mon résultat?
j'ai quelque question :
1-est ce que c'est possible de lire un fichier excelle partager sur réseaux en python et d'afficher des graphiques en temp-réelle et quelle est la méthode utiliser
2-est ce qu'on peut afficher des graphiques sur mon GUI pyQt5 et comment faire ceci
Bravo pour toutes ses vidéos, esthétiquement très agréables, rythme très efficace, pédagogie topissime...bref, quel talent !
Merci beaucoup ! La suite arrive bientot ! :)
@@MachineLearnia tant mieux, j'ai hâte !
Bonjour...la vidéo est super...mais j'ai une erreur durant l'importation de panda, ça dit qu'il ne trouve pas le module request
Merci pour l'effort ca nous aide beaucoup je veus savoir si possible comment utiliser les dataset puisque je cherche des exemples dans un mini_projet
Dans sklearn il existe le module datasets avec plusieurs cas. Par exemple je conseille load_iris() pour travailler sur des classifications ! :)
Ok merciiii
Bonjours et merci encore pour cette vidéo, voilà j'ai une toute petite question.
J'ai vu votre série sur le ML avec Python, j'ai vu le concept de 'Learning_rate', l'erreur quadratique, la décente de gradient et le temps d'une époque, alors j'aimerais savoir où sont spécifié ces paramètres dans par exemple m = LineairRegression() puis on fait fit directement je ne vois pas où on a dit à notre régression linéaire d'utiliser la décente de gradient, ou bien l"erreur quadratique ou encore la durée d'une époque ou la valeur du learning_rate.
Merci beaucoup.
Bonjour ! Je crois avoir répondu a ta question sur le discord :)
dans sklearn, LinearRegression() correspond a la méthode des équations normales (méthode des moindres carrés)
SGDRegressor() correspond a la descente de gradient (SGD signifie Stochastic Gradient Descent) et on peut préciser le learning_rate (eta0) le nombre d'itérations (max_iter) et d'autres hyper-paramètres dans ce modèle de ML :)
@@MachineLearnia merci infiniment vous me sauvez comme d'hab hhhhhhhhhh, impatient de voir l'apprentissage non supervisé, protégez vous bien .
Cordialement
@@mohammed_yazidcherifi9816 Merci beaucoup, je suis en train d'en faire le montage, la vidéo est pour bientôt ! Portez vous bien ! :)
Merci
c'est un plaisir. :)
on n'évalue pas un model sur des données qu'il a déjà appris , c'est pourquoi on doit séparer notre dataset en 2 parties données d'apprentissage (environ 75%) et données de test environ (25%)
Bjr merci bp pour votre travail.ou jepeux trouver svp des cours pour les statistiques ou bien les cours de math necessaire pour apprendre le maching learning
Pourquoi les packages de sklearn sont dispersés ?
Super vidéo, toujours aussi pédagogique :)
Merci beaucoup :)
Bonjour a vous comment allez vous êtes programmeuse aussi?
tes vidéos sont top ça fait des années que je cherche des tutos en français, je te remercie infiniment
Merci beaucoup. Je suis très heureux de savoir que ces vidéos te sont utiles :)
Salut Guillaume, Tout d'abord je te remercie pour la formation. ça aide vraiment.
Sinon, J'aimerais un peu plus de détail sur le diagramme de différent model du sklerane . ou bien une explication de chaque model du diagramme. Merci d'avance.
Oui je prévois de faire une série qui explique en détail chaque algorithmes et modele de ML, comme ceux présentés sur le diagramme
s'il vous plaît c'est quoi la commande de remplacer plusieurs colonne