Merci énormément pour cette explication très rapide et efficace du deep learning, j'ai actuellement un projet sur ce sujet (1er année à en étude d'info ^^') et je voulais pas passer énormément de temps sur des forums anglophones etc... pour tout comprendre ALORS, MERCI !
Came over from wizard's slack. I gotta say this is great. Very clear and pretty deep for 6 minutes keep it up. Maybe lower the volume of the background music I found it louder than you at times on my phone. We need more like this in French though thanks a lot.
Salut ! J’ai bien aimé ta vidéo, elle est très bien rythmée, les explications sont simples et ça m’a aidé dans mon apprentissage du deep learning. J’attends avec beaucoup d’impatience la suite de cette vidéo ! Bon courage
bien expliqué !! bravo, mais j'attends la partie maths !!!! explique comment on corrige ces poids stppp c'est le plus intéressant quand même broooooooooo !! un dernier effort et tu seras le meilleur ;)
bonjour chronophage, je me demande ce qui fait la performance du système (son intelligence) comparée à un autre. C'est la quantité de neurones ? la quantité de valeur qu'ils peuvent prendre (0 à 10) dans ton exemple. y a t-il une notion de vitesse qui vient en ligne de compte ? un système plus intelligent trouverait la solution plus vite, mais cette vitesse est lié à la vitesse de calcul de l'ordinateur. si le système n'a pas le temps de calculer une chose avant de pouvoir y réagir, y a t-il quelque chose de cet ordre.
Haha, beaucoup de questions, ça vas être dur de répondre à tout de manière exhaustive ^^ La quantité de neurones a bel et bien une influence sur "l'intelligence" d'un réseau. Mais un réseau avec beaucoup trop de layers et de neurones peut etre moins efficace qu'un autre plus léger, et adapté au probleme à traiter. Et c'est trés dur de savoir quelles seront les meilleurs dimensions avant d'avoir testé. Mais certains algorithmes sont developé dans ce but la : tester plusieurs dimensions differentes et voir laquelle marche le mieux. Les valeur qu'il peut prendre.. Tu parle des outputs? Ceux là n'ont pas d'incidence directe sur l'apprentissage en lui meme, non. C'est plutot la valeur des poids et biais qui s'occuper de l'evolution. Pour le dernier point je ne suis pas certain d'avoir parfaitement compris, mais c'est assez rare a ma connaissance qu'un réseau sois "pris de vitesse". Il sera relativement lent pendant sa phase d'entrainement (qui consiste a pratiquer des centaines de millier d'exemples) mais une fois l'entrainement terminé, il suffit de sauvegarder ses poids et biais pour que les futures predictions soient trés rapides. A titre d'exemple, j'avais fait du style transfert une fois. Un algorithme un peu complexe. Pendant l'entrainement, il mettait une nuit entiere pour faire ses calculs sur une vidéo. Mais une fois l'entrainement terminé, ça lui prenais moins d'une minute. Et si on couple ça avec l'utilisation GPU de librairies telle que tensorflow, c'est encore bien plus rapide que ça ^^
D'après ce que j'ai compris, c'est parce que dans son exemple c'est une application de reconnaissance de chiffres de 0 à 9 donc 10 chiffres différents à reconnaître, donc 10 neurones en sortie avec un degré d'activation variable entre 0 et 1, et plus le degré d'activation est grand pour un neurone x en sortie, plus le chiffre correct a de chances d'être celui associé au neurone x.
SUPER VIDEO ! J'ai du chercher pour trouver une bonne explication claire ! Les illustrations m'ont fait rire, le vidéo se tenait bien. Joli taff 👏🏼👏🏼
très bonne explication on attend le prochaines vidéos
Super ta vidéo je trouve.lexplication est simple pour la compréhension. Mais depuis j'attend la partie mathématique. Je vous remercie
Merci énormément pour cette explication très rapide et efficace du deep learning, j'ai actuellement un projet sur ce sujet (1er année à en étude d'info ^^') et je voulais pas passer énormément de temps sur des forums anglophones etc... pour tout comprendre ALORS, MERCI !
Génial , merci pour cette explication claire et bien décomposée entre cette vidéo et la partie math. Bravo. Toutes mes félicitations.
vraiment une bonne video, j'essayerais de pas louper la prochaine parce que je comprend rien a mon cours :(
merci pour le coup de pouce !
Salut! Si t’as un support écrit je serais carrément partant pour y jeter un œil si possible !
Bravo pour ton travail ! C'est super clair, un vrai plaisir 👌
Je découvre cette chaîne, je valide !
Je ben je te dis bravo c'est très intéressant et tu est captivant
Came over from wizard's slack. I gotta say this is great. Very clear and pretty deep for 6 minutes keep it up. Maybe lower the volume of the background music I found it louder than you at times on my phone. We need more like this in French though thanks a lot.
thanks to you Gary! :D
I will lower the music next time!
Salut ! J’ai bien aimé ta vidéo, elle est très bien rythmée, les explications sont simples et ça m’a aidé dans mon apprentissage du deep learning.
J’attends avec beaucoup d’impatience la suite de cette vidéo !
Bon courage
c'est limpide! beau travail
Excellente vidéo, j'attends la suite avec impatience
Impatient de voir la prochaine :)
C'est un bot qui parle. *Possessed*
Blague à part, superbe vidéo, merci!
Héhé, plaisir ^^
très bonne explication la suite svp ....bonne continuation
Vidéo géniale !
Bravo pour la vidéo, vivement la suite ;) très intéressant
Merci beaucoup, continuez!
Nice vidéo
bien expliqué !! bravo, mais j'attends la partie maths !!!! explique comment on corrige ces poids stppp c'est le plus intéressant quand même broooooooooo !! un dernier effort et tu seras le meilleur ;)
Super vidéo. J'ai hâte d'en voir d'autres :) keep it up
Bravo Merci
Très bonnes explications mais on attend toujours xD
Héhé, merci bien :)
C'est avec un retard tout relatif que j'ai le plaisir de teaser la sortie de la prochaine vidéo dans quelques semaine
Top ta vidéo ! J'espère te revoir bientôt actif ici :) Bonne continuation
Super explication a quand la suite😀
super bannière ;)
Bon là ça fait 10 mois on attend la suite
bonjour chronophage,
je me demande ce qui fait la performance du système (son intelligence) comparée à un autre. C'est la quantité de neurones ? la quantité de valeur qu'ils peuvent prendre (0 à 10) dans ton exemple. y a t-il une notion de vitesse qui vient en ligne de compte ? un système plus intelligent trouverait la solution plus vite, mais cette vitesse est lié à la vitesse de calcul de l'ordinateur. si le système n'a pas le temps de calculer une chose avant de pouvoir y réagir, y a t-il quelque chose de cet ordre.
Haha, beaucoup de questions, ça vas être dur de répondre à tout de manière exhaustive ^^
La quantité de neurones a bel et bien une influence sur "l'intelligence" d'un réseau.
Mais un réseau avec beaucoup trop de layers et de neurones peut etre moins efficace qu'un autre plus léger, et adapté au probleme à traiter.
Et c'est trés dur de savoir quelles seront les meilleurs dimensions avant d'avoir testé.
Mais certains algorithmes sont developé dans ce but la : tester plusieurs dimensions differentes et voir laquelle marche le mieux.
Les valeur qu'il peut prendre.. Tu parle des outputs? Ceux là n'ont pas d'incidence directe sur l'apprentissage en lui meme, non.
C'est plutot la valeur des poids et biais qui s'occuper de l'evolution.
Pour le dernier point je ne suis pas certain d'avoir parfaitement compris, mais c'est assez rare a ma connaissance qu'un réseau sois "pris de vitesse".
Il sera relativement lent pendant sa phase d'entrainement (qui consiste a pratiquer des centaines de millier d'exemples) mais une fois l'entrainement terminé, il suffit de sauvegarder ses poids et biais pour que les futures predictions soient trés rapides.
A titre d'exemple, j'avais fait du style transfert une fois. Un algorithme un peu complexe.
Pendant l'entrainement, il mettait une nuit entiere pour faire ses calculs sur une vidéo. Mais une fois l'entrainement terminé, ça lui prenais moins d'une minute.
Et si on couple ça avec l'utilisation GPU de librairies telle que tensorflow, c'est encore bien plus rapide que ça ^^
pour une raison inconnue le titre de cette vidéo s'affichait en anglais mais la il est revenu en francais
on attend la suite svpl
Salut, quelqu'un aurait la suite ? Je n'arrive pas à la trouver :'(
super vidéo mais elle date un peu on attend tjrs la suite
Bjr ou puis je trouver la partie mathématique ?!! Sauvez moi
u should slow down a bit
Pourquoi y a t'il que 10 neurones en sortie ?
D'après ce que j'ai compris, c'est parce que dans son exemple c'est une application de reconnaissance de chiffres de 0 à 9 donc 10 chiffres différents à reconnaître, donc 10 neurones en sortie avec un degré d'activation variable entre 0 et 1, et plus le degré d'activation est grand pour un neurone x en sortie, plus le chiffre correct a de chances d'être celui associé au neurone x.
C'est exactement ça Alexandre! :)
En esperant que ça t'ai aidée Luna