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.
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 ! :)
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.
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 !
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.
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
Je vous félicite de la qualité de cette vidéo et de toutes les vidéos que vous mettez en ligne. Toutefois l'apprentissage automatique n'est pas assez simple, vous le savez très bien. Il faut passez des heures et des heures devant votre poste pour pouvoir faire du vrai apprentissage automatique. Il y a pleine de choses à apprendre (calcul matriciel, statistiques inférentielles, les algorithmes, data visualisation, analyse des données, programmation, ...).Encore une fois un grand merci à VOUS.
Je suis tombé sur cette chaine un peu par hasard. Pour résumer: - maîtrise des sujets - pédagogie - travail en amont qui permet d'avoir un discours très fluide agrémenté de gimmicks Bravo!
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
vraiment un excellent travail , grâce a vous j'ai compris tellement de choses concernant le machine Learning , qui m'ont aidé a avancer dans mon projet de fin d'études . je vous remercie infiniment pour ces vidéos très explicatives .
Merci beaucoup pour cette vidéo, j'apprends l'IA en autodidacte et pour la pratique c'était très utile. j'ai installé jupyterlab sur mon ordi, vérifier si tout était bien installé et j'ai pu faire tous les exos , je passe à la vidéo suivante , j'ai liké et je me suis abonnée, des ressources comme ça je ne peux que les soutenir 🚀🚀❤❤❤❤❤❤
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.
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 :)
Je découvre la chaine un peut tard malheureusement, mais ça n’empêche pas que tes vidéos sont très faciles à comprendre, et mettent le doigt sur des points qui font peur au premier abord pour quelqu'un qui débute en ML. Merci pour le temps que tu consacre à créer du contenu, ça m'aide beaucoup ! à Dimanche pour ta prochaine vidéo .
bravo et merci ! j ai pu comprendre en 20 min ce que j ai pas pu comprendre en 1 mois , franchement rien a dire vous expliquez bien vous donnez des exemples très pratiques bon courage merci
chapeau bas Merci infiniment cher Guillaume très impatient pour la vidéo de l’apprentissage par renforcement sur l'exemples que vous allez nous exploiter bon travail
Merci beaucoup, ca me fait tres plaisir d'avoir un tel retour, et c'est toujours un plaisir de lire les messages des gens que j'aide avec mes videos. La relation humaine est tres importante pour moi. :) Take Care of you !
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.
Je ne fais quasiment pas des commentaires sur les vidéos UA-cam mais là, ça mérite vraiment des encouragement, c'est vraiment très pédagogiques vos vidéos, les concepts sont bien expliqués avec des animations très parlantes. Bravo !! J'espère qu'on aura l'occasion de voir d'autres modules de ML.
Bonjour et merci. Je vais tous les faire : Tensorflow, Keras, Pytorch.... mais a l'heure actuelle il y a déja pas mal de vidéos sur sklearn et ses différents modules ML.
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 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 :)
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
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.
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
Hello, thx pour tes vidéos. Ca fait 4 mois je me suis mis au ML, à partir de différentes sources. J'avais un peu de mal à avoir la big picture synthétique sur le sujet mais c'est devenu digeste d'un seul coup grâce à tes vidéos. Surtout le workflow itératif entre code, évaluation et processing, et les différentes stratégies en fonction des cas. J'ai pu poser en quelque sorte l'architecture neuronalle pour être à l'aise maintenant avec n'importe quel type de ressources. Je découvre avec étonnement la méthode .score(), sans doute parce que je n'ai fait que de la classification depuis le début ... les méthodes de scoring proposées pour ce type de problème sont très différentes du coefficient de détermination. Bonne continuation.
Bsr chef, je suis nouveau ds le domaine et j'ai commencé par suivre vos vidéo ça fait un moment. C'est vraiment du bon boulot, je suis vraiment impatient de voir la vidéo pour le choix de modèle en fonction du contexte
merci beaucoup pour cette video, je commence a comprendre les modeles, surtout grace au petit programme survie sur un cas concret, j'ai 20% de survie sur le titanic
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.
@@MachineLearnia c'est très bien expliqué et de manière très pedagogique. Je suis un cours de Machine Learning et le cour est ultra théorique. J'aime le fait de croiser immédiatement théorie et programmation ça permet de comprendre les exercices et de se projeter en train de le faire.
Ahhhh je suis en retard je viens de voir la vidéo! Super Vidéo**INFINI alors la scikit-learn je vais pas m'ennuyé pendant un bon moment Merci beaucoup pour les explication très clair grace à toi je vois que 'évolue très bien dans ce domaine qui nous passione tous! Au passage pour la méthode d'évaluation je n'ai pas la réponse Lol. Scikit-Learn est sans doute la meilleure librairies de ML au monde sa c'est une vérité bon étant donné mon cursus de statisticiens je vais un peu m'intérésse à la librairies statsmodels par moment. Merci encore et à nous revoir dans la prochaine vidéo.
Big up à toi Guillaume pour ces enseignements de qualité. Je ne sais pas si je suis le seul sinon je ne vois que 22/30 vidéos. Aidez moi a avoir les autres.
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?
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.
Bonjour, j'aimerai savoir comment importer un fichier csv contenu dans mon bureau(probleme resolu), voici le message dérreurs qui s'affiche quand j'impote : " in ----> 1 from sklearn.neighbors import KNeighborClassifier 2 ImportError: cannot import name 'KNeighborClassifier' from 'sklearn.neighbors' (C:\Users\WANE\Anaconda3\lib\site-packages\sklearn eighbors\__init__.py)". *et quand j aimporte d''une autre maniere en essayant de diviser mes donnees en X et Y ca donne : name 'san' is not defined et ca : list indices must be integers or slices, not list
@@MachineLearnia Bonjour pouvez vous m'aider a corriger ces deux erreurs 'list indices must be integers or slices, not list' et 'list indices must be integers or slices, not str '
@@mohamedwane9877 Bonjour, il va nous falloir un peu plus d'information concernant votre code je vous invite donc a rejoindre le serveur discord et a poster votre code, on pourra vous aider.
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)
J'ai des données étiquetées (marchandises) du genre les description avec leur codes. Et je reçois les données non étiquetées juste en description. Je souhaite entraîner un modèle avec python pour attribuer automatiquement des codes à mes données non étiquetées
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, 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
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)
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.
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
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
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 :)
Tu vulgarise super bien les termes, très pédagogique. C'est rare de voir un contenu de si belle qualité. Bravo 🙏
Enfin, un Français qui parvient à rendre les choses plus simples.
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 ! ^^
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.
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 :)
Je vous félicite de la qualité de cette vidéo et de toutes les vidéos que vous mettez en ligne. Toutefois l'apprentissage automatique n'est pas assez simple, vous le savez très bien. Il faut passez des heures et des heures devant votre poste pour pouvoir faire du vrai apprentissage automatique. Il y a pleine de choses à apprendre (calcul matriciel, statistiques inférentielles, les algorithmes, data visualisation, analyse des données, programmation, ...).Encore une fois un grand merci à VOUS.
Oui, votre commentaire est tout a faire pertinent, merci beaucoup :)
Je suis tombé sur cette chaine un peu par hasard.
Pour résumer:
- maîtrise des sujets
- pédagogie
- travail en amont qui permet d'avoir un discours très fluide agrémenté de gimmicks
Bravo!
Merci beaucoup, c'est un plaisir quand je vois que le but recherché est accompli :)
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! :)
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
vraiment un excellent travail , grâce a vous j'ai compris tellement de choses concernant le machine Learning , qui m'ont aidé a avancer dans mon projet de fin d'études . je vous remercie infiniment pour ces vidéos très explicatives .
Merci !
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 ! :)
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 :)
Je découvre votre chaîne à travers cette vidéo, merci pour les explications claires !
Merci beaucoup pour cette vidéo, j'apprends l'IA en autodidacte et pour la pratique c'était très utile. j'ai installé jupyterlab sur mon ordi, vérifier si tout était bien installé et j'ai pu faire tous les exos , je passe à la vidéo suivante , j'ai liké et je me suis abonnée, des ressources comme ça je ne peux que les soutenir 🚀🚀❤❤❤❤❤❤
Vous êtes juste excellent, la pédagogie, la qualité de l'exposé ... chapeau bas pour ce grand Monsieur, mille mercis
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?
Sans doute la meilleure formation de machine learning au monde, merci cher Guillaume !
Merci beaucoup !!!! :)
Franchement c'est la meilleur chaine franco au monde. ne t'arrete surtout pas frere on te suit bcp
bon courage a toi
Merci beaucoup pour tes encouragements !
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 :)
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 :)
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. :)
Je découvre la chaine un peut tard malheureusement, mais ça n’empêche pas que tes vidéos sont très faciles à comprendre, et mettent le doigt sur des points qui font peur au premier abord pour quelqu'un qui débute en ML.
Merci pour le temps que tu consacre à créer du contenu, ça m'aide beaucoup !
à Dimanche pour ta prochaine vidéo .
Merci beaucoup pour ton message, il fait tres plaisir !
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 !
Je découvre la chaine, un grand bravo, c'est d'une pédagogie incroyable
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 :)
bravo et merci !
j ai pu comprendre en 20 min ce que j ai pas pu comprendre en 1 mois , franchement rien a dire vous expliquez bien vous donnez des exemples très pratiques
bon courage merci
Wow c'est super ça me fait vraiment plaisir ! A bientôt j’espère !
Travail hyper qualitatif et pédagogique merci beaucoup !
chapeau bas Merci infiniment cher Guillaume très impatient pour la vidéo de l’apprentissage par renforcement sur l'exemples que vous allez nous exploiter bon travail
Oui ca viendra, mais pas dans cette série Python. Merci beaucoup Aymen ;)
@@MachineLearnia je vous en prie
Je suis devenu un accro de ta chaine UA-cam et de ton site internet. Tu es mon rôle modèle et j'espère atteindre mes objectifs d'ici fin juin.
Merci beaucoup, ca me fait tres plaisir d'avoir un tel retour, et c'est toujours un plaisir de lire les messages des gens que j'aide avec mes videos. La relation humaine est tres importante pour moi. :)
Take Care of you !
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 :)
Je ne fais quasiment pas des commentaires sur les vidéos UA-cam mais là, ça mérite vraiment des encouragement, c'est vraiment très pédagogiques vos vidéos, les concepts sont bien expliqués avec des animations très parlantes.
Bravo !!
J'espère qu'on aura l'occasion de voir d'autres modules de ML.
Bonjour et merci. Je vais tous les faire : Tensorflow, Keras, Pytorch.... mais a l'heure actuelle il y a déja pas mal de vidéos sur sklearn et ses différents modules ML.
@@MachineLearnia THANKS !!!
@@MachineLearnia merci beaucoup!
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 :)
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 :)
sois amplement béni vraiment t'es le best de Ytb
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
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. :)
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 ;)
Vous êtes génial, merci pour votre travail !
J'adore vos vidéos, merci infiniment , bonne continuation
On commence le pratique! merci pour la qualité d'exposition, comme d'abitude superbe vidéo, bonne continuation :-)
Merci beaucoup ! A bientôt :)
Vos tutos sont vraiment excellents, surtout pour leur compréhension. Bon boulot
Merci beaucoup ! Je passe beaucoup de temps pour les rendre si compréhensibles :)
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.
😅😅
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 ! :)
Hello, thx pour tes vidéos.
Ca fait 4 mois je me suis mis au ML, à partir de différentes sources. J'avais un peu de mal à avoir la big picture synthétique sur le sujet mais c'est devenu digeste d'un seul coup grâce à tes vidéos. Surtout le workflow itératif entre code, évaluation et processing, et les différentes stratégies en fonction des cas. J'ai pu poser en quelque sorte l'architecture neuronalle pour être à l'aise maintenant avec n'importe quel type de ressources.
Je découvre avec étonnement la méthode .score(), sans doute parce que je n'ai fait que de la classification depuis le début ... les méthodes de scoring proposées pour ce type de problème sont très différentes du coefficient de détermination.
Bonne continuation.
Salut ! Je suis très heureux d'avoir pu t'aider dans tes progrès, bravo a toi :)
tout ce boulot pour nous aider à aller plus loin ! Vraiment chapeau guillaume ,moi j'adore
Merci beaucoup :)
Tu es vraiment une personne extraordinairement géniale !
Merci, toi aussi (car c'est gentil de commenter) :)
bravo pour vos cours, ils sont vraiment très intéressants, très pédagogique
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 pas de mots,
je suis soufflé par la qualité de ce tutoriel.
Merci beaucoup ! :)
Vidéo intéréssante et pédagogique. Merci
Bsr chef, je suis nouveau ds le domaine et j'ai commencé par suivre vos vidéo ça fait un moment. C'est vraiment du bon boulot, je suis vraiment impatient de voir la vidéo pour le choix de modèle en fonction du contexte
Super, je suis ravi de pouvoir vous aider avec mes vidéos - bon courage dans la continuation de votre apprentissage :)
@@MachineLearnia Merci
C'est incroyable de pouvoir faire de pareilles choses merci Guillaume!
Oui c'est vraiment génial ! :)
Merci c'est incroyable le contenu que tu proposes !
Merci :)
merci beaucoup pour cette video, je commence a comprendre les modeles, surtout grace au petit programme survie sur un cas concret, j'ai 20% de survie sur le titanic
Bien joué !
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 !
La vidéo est top et la série aussi ! Je partage ça immédiatement et j'aimerais mettre plus qu'un seul like :p
Merci beaucoup ! Que trouvez-vous de top au fait ? (juste pour savoir)
@@MachineLearnia c'est très bien expliqué et de manière très pedagogique. Je suis un cours de Machine Learning et le cour est ultra théorique. J'aime le fait de croiser immédiatement théorie et programmation ça permet de comprendre les exercices et de se projeter en train de le faire.
Félicitations cher ami et vous êtes toujours au top
Merci ! :D
Excellent travail du point de vu pédagogique et maitrise de contenu Bravo
Grace a vous jai eu le plaisir detre in data science vraiment merci pour les videos
C'est super ! Merci a vous ! :D
Et je le redis : FORMIDABLE série de vidéos !!!
Merci ^^
excellente vidéo. Merci pour tout le travail que tu fournis.
De rien :)
J'ai fait pas mal de lstm et cnn sur keras, alors tout ça me parait assez naturel.
Explications limpides merci!
Ahhhh je suis en retard je viens de voir la vidéo! Super Vidéo**INFINI alors la scikit-learn je vais pas m'ennuyé pendant un bon moment Merci beaucoup pour les explication très clair grace à toi je vois que 'évolue très bien dans ce domaine qui nous passione tous! Au passage pour la méthode d'évaluation je n'ai pas la réponse Lol.
Scikit-Learn est sans doute la meilleure librairies de ML au monde sa c'est une vérité bon étant donné mon cursus de statisticiens je vais un peu m'intérésse à la librairies statsmodels par moment. Merci encore et à nous revoir dans la prochaine vidéo.
Merci beaucoup :)
merci beaucoup pour ce cours
Beau travail Guillaume vraiment 🔝
Merci beaucoup ! :)
T'es le meilleur
Merci ! Vous aussi vous êtes les meilleurs !
Super vidéo, toujours aussi pédagogique :)
Merci beaucoup :)
Bonjour a vous comment allez vous êtes programmeuse aussi?
C'est un très très bon travail pédagogique
Merci beaucoup !
Simple, claire et motivant .. Félicitations
Merci beaucoup ! :)
the best prof ever
Vraiment super boulot ! J'ai trouvé le dataset du titanic merci beaucoup !
Ok super !
Cette video est géniale et très précise.
Cet homme est un génie
Trop flatteur ^^
mais quel travail ! excellente explication on trouvera pas de mieux
Merci j'en suis flatté !
Encore du bon boulot. Merci pour tout.
Merci a vous
Merci pour votre travail, chapeau !
Je vous en prie ! :)
Super travail , merci pour tes vidéos.
merci a vous
Magnifique et excitant !!!
Big up à toi Guillaume pour ces enseignements de qualité. Je ne sais pas si je suis le seul sinon je ne vois que 22/30 vidéos. Aidez moi a avoir les autres.
Les autres sont en cours de production, merci
Merci beaucoup machine learnia vraiment c cool 😊😊😊😊😊
De rien ! :)
Bravo c'est extraordinaire
Merci pour ta vidéo !! une belle pédagogie de ta part !!
Merci !
C est incroyable !
C'est beau la Data Science n'est-ce-pas ! :)
Franchement c'est génial!! Merci infiniment.
De rien :)
@@MachineLearnia Svp si vous pouvez nous donner des liens de dataframe à analyser
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?
un grand merci pour votre altruisme!
de rien :)
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. :)
Juste parfait 👌🏻
Merci
Bonjour, j'aimerai savoir comment importer un fichier csv contenu dans mon bureau(probleme resolu),
voici le message dérreurs qui s'affiche quand j'impote : " in
----> 1 from sklearn.neighbors import KNeighborClassifier
2 ImportError: cannot import name 'KNeighborClassifier' from 'sklearn.neighbors' (C:\Users\WANE\Anaconda3\lib\site-packages\sklearn
eighbors\__init__.py)".
*et quand j aimporte d''une autre maniere en essayant de diviser mes donnees en X et Y ca donne : name 'san' is not defined et ca :
list indices must be integers or slices, not list
Bravo pour avoir résolu ce problème tout seul.
@@MachineLearnia Bonjour pouvez vous m'aider a corriger ces deux erreurs 'list indices must be integers or slices, not list' et 'list indices must be integers or slices, not str
'
@@mohamedwane9877 Bonjour, il va nous falloir un peu plus d'information concernant votre code je vous invite donc a rejoindre le serveur discord et a poster votre code, on pourra vous aider.
@@MachineLearnia je suis dans discord mais je sais pas comment ça marche
@@MachineLearnia je vous ai envoyé le code dans discord
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.
J'ai des données étiquetées (marchandises) du genre les description avec leur codes. Et je reçois les données non étiquetées juste en description. Je souhaite entraîner un modèle avec python pour attribuer automatiquement des codes à mes données non étiquetées
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😊
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)
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.
excellent cours...merci bien
Super vidéo