J'avais fait avec un collègue une présentation de la méthode Lasso (pénalisation en norme 1, on avait mis en place un algo de convergence vers beta) en m1 de maths, ça fait plaisir que t'en parles et que tu le fasses découvrir à d'autres personnes !
J'avoue qu'à partir de cet épisode je capte plus ce qu'il se passe. Par contre on reconnaît la valeur inestimable de ce que tu publies, y'a vraiment de l'information précieuse et synthétisée pour qui apprend le machine learning. Aussi, fais attention à pas cumuler les dettes, sur la liste tu as : - Loi de Bayes, - Théorème de complétude de Solomonoff.
Je pense surtout que ca manque cruellement d'exemple. Beaucoup n'ont pas le bagage pour comprendre le langage mathématique et même s'il dit que ce n'est pas important comme beaucoup de prof de physique le dirait à un élève qui ne comprend pas, le fait est que ces symboles nous perd rapidement. Psychologiquement ça pèse sur notre raisonnement toutes ces formules et tout le monde n'a pas la fibre mathématiques non plus. Il explique bien la théorie et fait parfois des analogies intéressantes, mais pas mal de personnes ont besoin d'exemples concrets pour comprendre. A l'école ou encore maintenant on a beau m'expliquer la théorie le plus parfaitement possible, j'en prenais conscience seulement de ce qu'on me disait seulement quand j'avais un exemple devant moi.
Osef les équations !! (plus sérieusement, l'idée générale est beaucoup plus intéressante, je pense... Les équations servent avant tout de "sanity check")
Moi aussi j'ai énormément de mal à comprendre maintenant.. Je crois qu'il faut qu'on re-regarde les autres vidéos pour réviser ;) Quand ça a parlé de norme 0, norme 1, norme 2 etc.. J'étais heureux d'enfin comprendre de quoi on parle Cependant, j'ai pas l'impression qu'on puisse approximer la norme 0 par la norme 1... Parce-que la norme 1 c'est la somme de la norme 0 avec toutes les autres valeurs absolues des autres valeurs, je trouve que l'écart peut être très élevé (surtout quand les composantes sont du même ordre de grandeur) Mais je pense que si on peut les intervertir c'est parce-que pour une variation de composantes données, les variations de ces normes seront les mêmes (dans le sens large du terme, en comptant la constance comme étant fourre tout)
Je pense que je vais me refaire toute la série sur le machine learning, a tête reposé ouais. Ou peut être en audio, en conduisant. J'ai l'impression d'assimiler plus facilement des nouveaux concepts de cette façon. J'ai remarqué ça en écoutant les podcast de podcastscience (que j'ai découvert grâce au T-shirt de lê ^_^) ou les axiomes de lê et thibaut.
Je viens de comprendre pourquoi la chaîne c'est "Science4All". C'est pas dans le sens que c'est de la science destinée à tous mais plutôt qu'elle permet à ceux qui ont un bon niveau d'avoir aussi leur chaine scientifique. Ainsi, il y a de la science pour tous, pas que pour les vulgarisables mais aussi pour les nerds !! :D Ca a l'air cool ce que vous racontez ...
Merci pour ta vidéo :) Petite remarque technique : j'ai été assez distrait par les changements de couleurs dans la vidéo. Autrement dit c'était un vilain facteur de confusion
À 15:57 tu rends "expliquer" synonyme de "comprendre"; et cette hésitation est, à mon avis, pleine de sens dans ce cas précis: Dans un modèle prédictif on cherche peut-être plus à "comprendre" qu'à "expliquer" justement. Dans la compréhension, il y a l'idée d'un amas de connaissances en réseau qui se font échos les unes aux autres et d'où émerge un résultat approximatif mais inspirant, curieux, intriguant. Dans l'explication au contraire, il y a quelque chose de plus Newtonien "il a expliqué le monde", de plus exact: le phénomène doit nécessairement tomber sous la loi, toute approximation est considérée comme fautive... Et ce que j'aime dans tes vidéos, c'est probablement cet aspect là: un amour pour la compréhension, emprunt de méfiance certes, mais qui vient du fait que l'explication semble de plus en plus inaccessible à mesure que l'épistémologie avance. Cela rend les mathématiques moins rébarbatives, et invite au dialogue. Et c'est beau.
La régularisation est souvent utilisée en Machine Learning pour faire de la feature selection. Régularisation L1 : LASSO, Régularisation L2 : Ridge regression. Une combinaison des deux donne Elastic-net
Bonjour et merci pour ta vidéo , une petite question : quelle est la différence entre la régression linéaire dans le cadre du" machine learning " et celle de l'économétrie ( classique , panel ,séries temporelles..)
Pour le facteur de confusion, on peut imaginer que ce soit la gravité des crimes commis. Par exemple, prenons un tribunal jugeant trois hommes blancs ayant respectivement commis 4, 3 et 2 meurtres, ainsi que trois hommes noirs ayant respectivement ayant respectivement commis 5, 2 et 1 meurtre. Si le tribunal condamne à mort les deux premiers assassins de chaque catégorie, on a bien deux tiers de condamnations pour les blancs et pour les noirs alors l'assassin noir ayant commis 2 meurtres est discriminé par rapport à son homologue blanc.
10:38, les condamnations chez les noirs et les blancs : Cette fois, c'est l'inverse du paradoxe de simson : Parmi les procès, il y a autant de condamnation à mort chez les blanc que chez les noir. Parmi les non-procès, il y a autant de condamnation à mort chez les blanc que chez les noir. Les procès sont beaucoup plus courant chez les noirs que chez les blanc, donc la proportion de condamnation à mort est plus important chez les noirs que chez les blancs. (après, il faudrait étudié la corrélation entre "criminalité" et "avoir un procet". c'est peut-être justifié. mais là, le gros risque est d'avoir des donné biasé dans le mesure de la criminalité.)
J'aimerais comprendre votre argument : qu'est-ce vous entendez par non-procès ? Il me semble qu'une condamnation à mort soit nécessairement précédée d'un procès, non ?
tout à fait. quand quelqu'un n'a pas de procès, il a une probabilité nul d’être condamner. j'ai séparé l'ensemble des noirs (et de mème pour les blancs) en 2 groupes : ceux qui ont eu un procès, et ceux qui n'en ont pas eu (les non-procès).
Ah merci, j'ai compris. Argument intéressant en effet ! Mais dans ce cas le racisme ne provient pas tellement des juges - après tout ils ne se prononcent que lors des procès - que des policiers qui arrêtent plus souvent les afro-américains.
(les chiffres servent uniquement à expliquer mon raisonnement, ils ne sont pas fait pour être une estimation de la réalité) Si on suppose que les crimes et délie vont d'une gravité 0 à 10, sont homogènemant répartie, et que quel que sois la couleur de peau, il y a une peine de mort pour les 10% des procès les plus grave : Si un blanc à un procès à partir de la gravité 4, il sera condamné à mort à partir d'un crime de gravité 9.4. Si un noir à un procès à partir de la gravité 1, il sera condamné à mort à partir d'un crime de gravité 9.1. Donc la justice est quand-mème plus sévère avec les noir.
Explication crédible :) Mais le fait que les noirs ayant plus facilement des procès soient donc avec un même taux de condamnations alors plus souvent condamnés peut être contrebalancé par une criminalité ou un taux de violence (d'origine sociologique) supérieur chez les Afro-Americans...
Salut ! Est-ce que t'aurais des ressources avec plus d'explication mathématiques et du code (Python de préférence) ? Ça serait vraiment génial, merci pour ton travail !
14:38 mais la finalité de l’intelligence artificielle, en mode fonctionnelle (et pas théorique), c'est de pouvoir apporté des modèles qui ne sont plus vérifiable humainement. Comme Turing à créer une machine qui permettait de testé plus de combinaisons que les homme disponible pour cracker le code Enigma. J'ai louper quelque chose?
Le problème de cette posture sur les facteurs de confusion c’est que c’est l’argument infini qui permettra toujours de ne jamais changer d’avis peu importe les faits présentés. On peu en les invoquant ne jamais sortir de nos hypothèses houligans. Et c’est triste de ne jamais pouvoir objectiver le réel
Bonjour Toujours très intéressante mais assez velu Est ce qu'il existe des applications Excel sur le machine planning pour comprendre le fonctionnement ?
A propos du théorème de la diversité des prédictions ça me fait penser au fait que lors d'une régression linéaire par les MCO la variance de l'estimateur beta est divisée par la somme des écarts des variables explicatives à leurs moyennes (correspondant donc à la "diversité" de notre jeu de données).
Le taux de condamnation à mort est un rapport entre le nombre de condamnations à mort et un dénominateur. Mais quel est le dénominateur dans ce cas ? . Si c'est la population carcérale, il y a un énorme biais : la part de personnes incarcérées est nettement inférieure parmi les blancs que parmi les noirs (aux US). Donc la discrimination n'aurait pas forcément lieu sur la condamnation à mort, mais plutôt sur la condamnation tout court. . Si la discrimination qu'on cherche à déterminer est uniquement sur la condamnation à mort de personnes coupables de crimes, un autre biais pourrait être le type de crime : un noir serait-il plus facilement condamné à mort qu'un blanc pour le même crime ? (viol, meurtre, ...) En tout cas, merci infiniment pour tes vidéos Lê, c'est toujours un bonheur de découvrir l'univers des mathématiques avec des explications claires et abordables !
FACTEUR DE CONFUSION: On n'a pas pris en compte les autres sentences? les juges font peut etre plus preuve de discrimination pour les petites sentences, mais sur les plus grosses, à cause des grandes conséquences, sont peut etre plus réfléchies et moins à mêmes de subir des injustices?
Bah, il devrait y avoir 8 fois plus de condamnations de blanc que de noirs, puisqu'il y a 8 fois plus de blancs que de noirs. Or, s'il y a le même nombre de comdamnation de noirs que de blancs, bah il y a un biais. Données: 15% de noirs 85% de blancs 42% de noirs dans le couloir de la mort 48% de blancs (À peu près, et en ne comptant ni les latinos, ni les asiatiques)
oui mais Lê parle du "taux de condamnation". Ce terme est sujet à interprétation (c'est là un des problèmes), mais tel que je l’interprète, c'est calculé par rapport à la population (noire ou blanche) considérée, justement...
Abathur intéressant, je mets un peu de confiance dans cette hypothèse car d'après le centre d'information sur la peine de mort, les procureurs sont au minimum 83% blanc, c'est à dire un peu surreprésenté car ils ne forment que 76% de la population. Au pire, ils forment 100% des procureurs aptes à instruire de tels cas. La moyenne se situe à 94,5% de blancs.
alex rvolt oui, je trouve ça intéressant, j'y avais pas, tout de suite, pensé. Est-ce qu'on parle du «taux de condamnation» au sens «convinction rate», c'est à dire % des gens qui passent en procès qui sont condamnés. Ou alors on parle d'un autre truc? Par exemple, la proportion dans le couloir de la mort, la proportion réellement exécutée ou la part des comdamnés dans la population totale par «ethnie» en anglais «race» mais bon, nous avez compris, on a vu dirtybiology ;)
Donc une optimisation robuste serait forcément plus "vagues" ? Comme les commentaires de texte de français ou on essaie de tout faire coller à un explication ?
J'ai une remarque sur la démocratie : la vraie démocratie (au sens athénien du terme) n'est pas un vote mais une délibération. Il s'agit de prendre des personnes qui n'ont pas les mêmes avis et de les faire débattre afin de décider ensemble d'une marche à suivre. Le meilleur exemple en France serait l'assemblée nationale ou le sénat si le débat qui y a lieu était non faussé par les institutions (à savoir le fait que le président de la république est élu au suffrage universel et que c'est lui qui donne les lignes directrices de ce que l'assemblée doit décider ou non). Il faudrait aussi que ces institutions soient représentatives, ce qui n'est pas vraiment le cas en France (la majorité des gens ne sont pas représentés à l'assemblée). Bref, le vote n'est pas la démocratie, et s'il n'est pas évident que la meilleure solution soit décidée par délibération, il y a quand même des chances pour que les meilleurs idées émergent et soient plus écoutées que les mauvaises.
Salut, j'ai un gros problème. Je suis en L3 et j'aimerais continuer en Data Science. Mais quand je lis des livres sur les séries temporelles, le machine learning, etc, je n'arrive jamais à "comprendre" les formules mathématiques. J'ai un simple niveau de maths et de stats de finance, et quand un cours traite d'une méthode en commençant par la partie théorique, je bloque toujours sur les formules. J'arrive pas à me les représenter, à savoir comment elles fonctionnent, et même si j'arrive à les déchiffrer, savoir que machin est d'ordre truc et que le coefficient vaut "grosse formule" ou que c'est une suite de chépakoi, ça ne me dit rien. Donc voilà, je sais pas si c'est grave, mais j'aimerais vraiment réussir, un jour, à lire un cours et à comprendre toute la partie théorique en me disant "ouais ok je vois, c'est comme ça que ça fonctionne donc dans mon cas, je dois faire ça parce que" car pour l'instant, j'applique un peu bêtement ce que je vois. Je compare, je teste, mais je ne comprends pas vraiment et ça me frustre. Tu pourrais me dire ce que toi tu vois quand tu lis des maths ? T'arrives vraiment à tout te représenter ? Tu penses que je devrais travailler quoi pour m'améliorer ? Merci d'avance !
En apprentissage automatique comprendre une formule ou un algorithme c'est d'abord savoir dire "en gros voila ce que c'est censé faire", présenter quelques problèmes jouets où ça marche et où ça ne marche pas. Puis dans un second temps savoir analyser dans le détail chaque terme et trouver le contexte rigoureux (modèle probabiliste, hypothèse sur la convexité du truc à minimiser, ...) qui permet de dire en quoi la formule et l'algorithme est optimal ou pas.
Il faut oublier les formules dans les dernières vidéos ... vu les commentaires pas grand monde ne les comprend parfaitement. Par contre les principes évoqués : les lois de la forêt, la dimension VC sont des bonnes approches pour comprendre l'univers de la Big Data / Machine Learning. +1 sur ce qu'à dit acx01bc, la formule / l'algorithme t'apporte la recette de cuisine. Chacun est différent, si tu n'es pas à l'aise essayes les algorithmes - pour ma part ça me parle beaucoup (beaucoup) plus ! Sinon je te conseille les vidéos de 3Blue1Brown - en suivant ses playlists, ça t'apportera une autre vision des nombres.
Je ne comprends toujours rien mais je persiste J'ai au moins vu 3 fois toutes tes vidéos mais je n'ai jamais vraiment rien compris Ça serait pas un paradoxe ça ? Mais tes vidéos restent géniales j'adore Continue comme ça
Je pinaille hein, mais... c'est bizarre, dans la vidéo précédente, tu présentais l'histoire des fumeurs un peu comme un souvenir, alors que ça vient visiblement d'une vidéo youtube de jenesaisqui. Le problème c'est que, si la vidéo de machin est intéressante, elle ne source nullement cette fameuse étude, sinon en disant qu'elle est britannique, ce qui me conforte par rapport à ce que j'avais trouvé en cherchant un peu (voir mon commentaire de proposition sur la vidéo 17). Reste que la fameuse étude, si tant est que c'est bien celle là (www.ncbi.nlm.nih.gov/pmc/articles/PMC437139/), ne confirme à aucun moment le postulat de Roger. je sais que c'est vraiment du vétillage (je viens de l'inventer celui-là), mais malgré tout j'aimerais vraiment savoir de quelle étude vous parlez. parce que si on parle d'une étude publique (faite par l'État ou affilié) c'est problématique, disons plus que si elle a été faite par l'industrie du tabac. Donc si jamais tu as la source. Sinon toujours aussi intéressant, merci!
Dernière intervention promis: j'ai repéré un livre sur le bayésianisme (Le bayésianisme aujourd'hui) écrit par (enfin sous la direction de) Isabelle Drouet, maître de conférence dans je ne sais plus quelle université parisienne, en je ne sais quelle matière (honte). Est-ce que ça te parle? Si oui un avis?
16:45 "Ce hashtag sous entend qu'il n'y pas grand chose au delà des modèles, voir, rien" Il y a bien des modèles meilleurs que d'autres non ? Ça me semble assez extrême comme point de vue au premier abord, mais je ne suis pas certain du sens des mots "grand chose" .
il parlait ici de la description de la réalité. Ça revient un peu à dire que tous les phénomènes autour de nous sont explicables, ou du moins modélisables.
Je pense plutôt qu'il s'agit d'une opposition par rapport à une forme de réalisme. Sa phrase peu laisser entendre qu'il n'y rien a modéliser. Il semble plus probable qu'il parle de l'impossibilité d'assurer l'existence d'un modèle ultime. Je sur-interprète, mystère.
Rien à voir, mais as-tu prévu une vidéo sur le fait que la méthode bayésienne est plus appropriée que la méthode scientifique pour traiter des "fakes news", rapport à une conférence à laquelle tu as participé récemment?
La robustesse permet aussi de mieux répartir l'explication sur les poids (on minimise leur valeurs). On favorisera ainsi, par exemple, les poids/coefficients [0.25 0.25 0.25 0.25] que [1 0 0 0] pour une explication. Or j'ai compris avec ton explication que [1 0 0 0] serai favorisé car plus simple. Donc qu'est ce qu'une explication compliquée dans ce cas?
Peut-être que le taux de condamnation à mort (entendu comme le nombre de condamnations à mort par rapport aux procès pour homicide) est identique mais que les jurés condamnaient plus facilement (avec moins de preuves solides) les afro-américains que les blancs. Ou peut-être que que le taux de condamnations à mort (entendu comme le nombre de condamnations rapporté non pas au nombre de procès mais au nombre d'accusés) est identique mais qu'il faut plus de procès (plus de meutres déjà commis) pour condamner un blanc qu'un afro-américain.
Pour le facteur de confusion : Autant de condamnation à mort blanc/noir n'implique pas qu'il n'y ait pas de discrimination au tribunal. Il faudrait regarder les autres types de condamnations.
ça ne pourrait pas dépendre des différents états des États-Unis ? les noirs et les blancs n'étant pas répartis de la même façon on peut avoir plus de noirs dans des états où la loi ne permet pas la sentence a mort ?
S'il y a une discrimination des noirs par rapport aux blancs, alors les blancs qui arrivent jusqu'au jugement de la peine de mort devraient en moyenne être plus coupables (puisqu'il faudrait beaucoup plus de preuves pour qu'ils arrivent jusque là, leur culpabilité est beaucoup plus avérée). On devrait donc avoir un taux supérieur de peine de mort pour les blancs par rapport aux noirs. Si dans ce contexte nous avons un taux égal, cela peut aussi bien être le signe d'une seconde discrimination au moment de la sentence que le signe qu'il n'y a pas de discrimination a priori. Un chiffre qui pourrait être intéressant pour tenter de comprendre ce qu'il se passe serait le rapport du nombre de condamnations à mort au total de la population (cond_blancs/pop_blancs et le même rapport pour les noirs). Bien sûr, cette nouvelle métrique amène de nouveaux facteurs de confusions et on ne devrait pas être aussi naïfs (niveaux d'éducation ou de précarité des populations initiales par exemple).
Je devrais créer un compte Instagram pour Azraël vu le succès qu'il a sur UA-cam ;-) Ou alors je devrais essayer de voir si il existe un rationnel, autre que le doigt mouillé, quand on nous dit en modélisation épidémiologique qu'il faut 30 observations minimum par variables explicatives. J'hésite ... ^^
Pour le problème du biais de confusion, j'imagine que la proportion crime/délit doit être semblable dans les deux populations, même si pour les noirs on a un nombre (beaucoup plus) et une composition différentes. En plus dans les blancs, en comptant les hispaniques (trafic d'organes, de drogue) et les juifs (pédophilie, escroquerie) on augmente artificiellement le ratio.
Pour le facteur de confusion, comme tu n'as pas précisé qui était discriminé entre les blancs et les noirs, j'ai donc tiré à pile ou face, pour la suite, ce seront les noirs qui seront discriminés pour la suite(pour le même délit, les noirs sont donc plus condamnés que les blancs). J'ai donc plusieurs explications : 1)(la plus simple) Les blancs commettent plus de délits que les noirs 2)Les blancs sont plus dénoncés pour leurs crimes que les noirs, donc plus de procès, donc plus de chances d'être condamnés, compensant la discrimination. 3)(plus subtile) Il existe des régions "anti-noires" et "anti-blanches", ce qui rétablit l'équilibre 4)Les blancs font l'objet de faux témoignages pour renforcer l'accusation contre les blancs, compensant la discrimination 5)Plus simplement, les enquêtes sont plus poussées contre les blancs, plus de preuves sont donc avancées, donc plus de condamnations. 6)Les blancs font des délits plus graves, qui sont plus susceptibles d'être condamnés 7)Les procès des blancs sont plus suivis, et ces procès suivis sont plus susceptibles de voir le coupable condamné 8)Les noirs sont jugés après les repas, les blancs avant. Les blancs sont donc plus susceptibles d'être condamnés 9)Une combinaison des 8 facteurs précédents, plus ceux auxquels je pourrais ne pas avoir pensé. Je rappelle que j'ai tiré à pile ou face le rôle blanc noir, si un passage ne vous plaît pas, veuillez vous plaindre auprès de random.org.
En ce qui concerne un facteur de confusion concernant le taux de sentence de mort qui est le même chez les Noirs que chez les Blancs. Bon, il y a quand même plus de Blancs que de Noirs aux USA. Ensuite, les jugements sont rendues par des jurés et des juges qui sont à grande majorité blanche. D'autres parts, il y a beaucoup plus de Noirs qui vivent dans des quartiers pauvres et il y a beaucoup plus de délits et de crimes dans ces quartiers que dans les quartiers plus riches. Donc, le raccourci Noirs/Délits avec l'association Noirs /coupables est vite fait. De plus, et pour détendre un peu la gravité du sujet, selon des études, les jugements sont plus sévères lorsqu'ils sont rendus avant midi et que les jurés et les juges ont faim. Ils sont plus indulgents de retour du resto vers 14H. Il faudrait voir s'il n'y a pas plus de Noirs que de Blancs dont la sentence est rendue avant midi qu' après. Bon, ça paraît un peu débile, certes. Mais cela peut aussi révéler que les jugements envers les Noirs soient rendus d'une façon plus expéditive; faudrait voir. Le fait que, plus souvent, des Noirs soient abattus par la police américaine sans jugement n'est-il pas un facteur de confusion ? And so on.
Si la population afro-américaine est discriminée, elle peut être amenée en procès pour des "broutilles" pour lesquelles la peine de mort (ou même une peine quelconque) serait injustifiable. Dès lors, le nombre de peine capitale serait "noyé" parmi ces peines mineures ou ces relaxations. Et ainsi les taux sont équivalents. Mathématiquement : Soit "Tb" et "Ta" les taux de condamnations à la peine capitale (pour les accusations justifiées) pour les populations respectivement blanche et afro-américaine. Le nombre d'accusations injustifiées constitue respectivement (par exemple) 25% et 50% des accusations totales pour les populations blanche et afro-américaine. Dès lors, si les taux totaux sont égaux, on a : Tb * 0.75 = Ta * 0.5 Ta = Tb * 3/2 => Ta > Tb (pour tout Tb > 0 mais cela va de soi) CQFD :)
Pour ce qui est du facteur de confusion entre les blancs et les noirs, j'imagine que les noirs sont plus susceptibles de commettre de commettre de petits larcins (du genre vol à l'étalage, coup et blessures, etc..) que les blancs et ce pour de nombreuses raisons mais ce n'est pas le sujet ici. Donc au final, en moyenne les noirs sont jugés pour des délits en moyenne moins grave que les blancs et pourtant les taux de condamnation sont les mêmes entre les deux ethnies ce qui montre une certaine inégalité de traitement. Bon ce que ça montre aussi surtout au final, c'est que les chiffres on leur fait dire ce qu'on veut ^^
Hey...jvai laisser un pti com/ selon moi , les choses sont simple. L intelligence artificiel reeleement potable sera : Des algorythmes intelligent (ordonnés de l interaction des choix comparable a celui de l homme et toutes ses decision selon les sentiments! /%/Supervisant une gigantesque boite de données qui , elle meme s auto organisent😉😉😉
Faudrait déjà savoir ce qui différencie l'Homme de l'animal ... quand on y réfléchit, c'est une vaste question. Aujourd'hui l'IA imite correctement des systèmes complexes, son prochain stade c'est celui de l'animal puis celui de l'Homme et finalement de l'hyper-intelligence. On est qu'au premier chapitre d'une longue histoire ! :)
Je dirais que les noirs sont généralement plus pauvres et ont donc tendance a commetre des petits delits tels que des vols, agressions... alors que les crimes suffisamment grave pour être passibles de peine de mort sont commis par les deux de manière a peu près égale (en pourcentage de la population bien sûr ).
Encore une superbe vidéo. Concernant le taux d'exécution blanc/noir au USA, le taux de population noir n'est pas pris en compte. Ce qui devrait nous amener à un taux d'arrestation et de délinquance des blancs, supérieur aux noirs. La distribution géographique n'est pas non plus prise en compte. New York compte environs 1/4 de population afro-américaine si mes chiffres sont exacte. Le taux de chômage et les revenus ou d'inégalités peuvent aussi être une source de délinquance. Et pour finir le taux d'arrestation n'est pas non plus pris en compte.
lol ton raisonnement est faux. Lê dit qu'il y a des discriminations aux procès, où les noirs sont plus susceptibles d'être condamnés à mort. Les gens qui sont assassinés avant leur procès ne comptent pas dans le condamnés, même si c'était plus qu’extrêmement marginal comme cas.
Les forêts sont comme des agents expertdcherchant un consensus sur un ensemble de revision et ce iterativement, ce qui leur manque c est la prise en compte de lzur avis respective mais ca devient trop bayesien tout ca
Je n'aime pas cette notion de robustesse, qui consiste à se foutre d'une donnée qui contredit totalement les modèles. Or la science est souvent là, dans cette donnée particulière, souvent découverte par hasard. Un modèle qui marche avec 90% des données c'est utile en ingéniérie, pour construire des trucs qui tiennent tout le temps, jusqu'à ce que des circonstances exceptionnelles font que ça s'effondre... Mais il aurait été utile d'étudier ces circonstances avant ! A noter que ça a vallu une définitive rupture entre moi et mon directeur de thèse, mon directeur voulait un modèle moyen qui colle avec la majorité des données (en excluant carrément les données trop loin de la moyenne), ce qui n'a abouti à aucune science, alors que les données qui différaient révélaient au contraire des phénomènes très intéressants remettant en cause tous les modèles structurels de l'époque, et qui ont été finalement abandonnés 30 ans après.
Pour ton problème des sentences a mort, tu parles bien de taux, et non de nombre, j'ai donc plusieurs idées : - on sait que le racisme aux états-unis est très présent, surtout dans les forces de l'ordre, il pourrait donc y avoir beaucoup plus de condamnations de noirs que de blancs, mais le nombre n'explique pas le taux (cf ta vidéo précédente sur le paradoxe de Simpsons) - la justice américaine contrôlerait et imposerait des quotas (en pourcentage des condamnations) à ne pas dépasser, auquel cas il serait difficile de distinguer des différences selon la couleur de peau. - malgré le racisme, la situation a bien évolué depuis quelques années, et de plus en plus de juges sont noirs, ce qui baisserait le taux de racisme au sein de la justice américaine. En vrai, les facteurs peuvent être tellement variés que mon ignorance m'oblige à ne pas me prononcer si ce n'est que par des hypothèses. Surtout sur ce genre de problème qui comme tu le dis est assez "touchy" :)
Peut-être qu'il n'y a pas de facteurs de confusions et que tu veux nous faire tomber dans un "relativisme" statistique extrême (à des fins pédagogiques bien sûr 😉)
Hannibal Ateam J'y ai pensé aussi...pourquoi les juges américains ne seraient-ils pas impartiaux en moyenne ? Mon hooliganisme bien que très nuancé me pousse à penser le contraire, c'est presque de l'intuition à ce niveau là...du coup je ne sais pas si je dois le punir ou pas ^^'
Après une explication peut venir du grand nombre d'associations qui pèsent et agissent dans ce domaine, ou de la pression politique. Il faudrait connaître la date de l'étude, la période considérée, le taux d'actes passibles de la peine capitale selon la couleur...
Il est clair que quand on a certaines idées politiques (surtout pour la gauche en fait), on a tendance à penser qu'il y a des facteurs de confusion uniquement lorsque les statistiques donnent des chiffres qui ne correspondent pas à nos idées
Flutterwondershy Yay pour le coup il y en a je crois, notamment à cause du fait que la répartition d Afro Américains selon les états, et les États qui pratiquent la peine de mort, est inégale. Par contre bien qu'on soit d'accord sur l'utilisation abusive des statistiques en politique évite de cibler un bord spécifique (qui en plus n'est plus pertinent, sauf sur un ton péjoratif qui n à rien à faire ici), cette chaîne donne des outils d'analyse mais s'abstient (à peu près ) de prendre politiquement position, ça doit en être de même pour les commentaires.
Hypothèses : 1- Les blancs et les noirs ont le même taux de condamnation à mort, mais peut-être pas dans les mêmes états. Genre : peut-être que les états qui pratiquent la peine de mort ont davantage de population blanche, donc il y a davantage de crimes effectués par les blancs? 2- même taux de condamnation lors des procès : parce que les noirs sont abattus par la police avant même d'avoir droit à un procès? (non, ce message ne vise pas à "casser les flics", mais uniquement à proposer une hypothèse) 3- une sorte d'effet auto-réalisateur? Du genre : on calcule à posteriori que les criminels blancs et noirs ont été condamnés à mort, en une certaine proportion. Mais c'est justement parce qu'on considère qu'ils étaient effectivement coupables de faits graves, qu'on les compte dans les statistiques : on ne "vérifie" pas les procès. Or, peut-être a-t-on condamné à tort davantage de noirs que de blancs, lors desdits procès (je sais pas si je suis clair). 4- en fait, ce sont les discriminations qui sont une illusion (biais de confirmation : on retient davantage les condamnations touchant les noirs, mais les statistiques contredisent notre intuition) . (non -bis-, ce message ne vise pas à nier l’existence de possibles discriminations)
Oui, pour être honnête, mes hypothèses 2 et 4 me semblent très peu vraisemblables. Mais bon, j'essaie de jouer le jeu : envisager des hypothèses en mettant de côté mes a-priori ;-)
Ta proposition 1 est particulièrement pertinente ! Du moins l'intégration de la répartition des Afro-American selon les états qui pratiquent la peine de mort
Concernant ton Mini défi : Quelle est la population des deux "castes" ? Selon Wikipedia 14% seulement sont classés dans les "Noirs non hispaniques" contre 53% "Blanc non hispanique" soit bien quatre fois plus, voir : fr.wikipedia.org/wiki/D%C3%A9mographie_des_%C3%89tats-Unis Là ça devient clairement de la discrimination :p Si on suppose que la population est équilibrée en ne comptant que des "blancs" (en y intégrant les ethnies hispaniques, amérindiennes et asiatiques) on obtient carrément un facteur 6 !
Je commence à être perdu là... des exemples n'auraient pas été de trop pour cet épisode ;) Norme 0, 1 etc... Et puis la régression doit avoir des limites non? Je doute que l'on puisse obtenir de bon résultat d'extraction de données en photonique par exemple, à cause d'effets non-linéaires tel que l'effet Kerr par exemple... Le remplacement des chercheurs par des IA n'est pas pour demain ;D
Un des facteurs de confusion dans ton histoire de discrimination, ne pourrait il pas être le fait que les proportions des types de crimes et délits jugées ne sont pas les même dans les 2 populations distinguées ? Par exemple on pourrait imaginé que 10 % des types A jugés et seulement 5 % des types B le sont pour meurtre. Non pas parce que les types B seraient moins meurtriers, mais parce qu’il sont sur-représentés dans les procès pour des crimes pour lesquels les policiers seraient plus conciliants avec les types A (conduite en état d'ivresse, dérangement à l'ordre public, etc.....). Cette situation correspondant bien à une double discrimination : Les types B sont plus souvent en procès et à niveau de gravité égale ils sont plus souvent condamnés à mort !
Attention spoiler pour ceux ayant un bon bagage en math et philo : materiologiques.com/sciences-philosophie-2275-9948/233-le-bayesianisme-aujourdhui-fondements-et-pratiques-9782373610789.html
Bonjour Lê. Désolé de casser un tout petit peu l'ambiance, mais je trouve que depuis plusieurs épisodes, la série s'embarque dans des explications compliquées et présentées de façon abstraite alors qu'il s'agit en fait de trucs très concrets et certains sont très simples. Exemple : parler du fait qu'on privilégie la norme 1, puis la norme 2, etc... (avec toutes les notations), c'est franchement dire de façon compliquée qu'on privilégie tout simplement les modèles de régression à un paramètre d'ajustement, puis deux, puis trois, et il y a plein d'exemples hyper-concrets qui pourraient être donnés plutôt que d'utiliser des bêtas avec indices. Pourquoi ne pas faire comme dans les autres séries : partir chaque fois d'un exemple très concret pour généraliser ensuite l'explication ?
J'ai en tête plein d'exemples en biologie, facilement compréhensibles, avec un modèle où on "ajuste" une variable expliquée ("label") avec un modèle à un paramètre (le "bêta") et une seule autre variable mesurée ("feature"), et d'ailleurs le paramètre en question a parfois un sens phénoménologique et donc un intitulé (donc très compréhensible par tous), mais qu'on a ensuite "amélioré" avec deux variables mesurées et donc, si on est en régression linéaire, avec aussi deux paramètres. Des trucs comme ça, très concrets, y en a à la pelle !
Enfin, petite remarque : il existe plein de domaines où il y a tellement peu de mesures dispo qu'aucun modèle ne peut être testé de façon fiable, même en régression linéaire à un seul paramètre (exemple dans les maladies très rares). Il existe quand même des stats pour cela.
Je m'excuse d'être un peu dur à comprendre. En effet, il est largement possible de parler de régularisation de façon plus concrète et plus compréhensible. Et j'invite tous les vulgarisateurs à ce faire. Cependant, mon objectif n'est pas de dire "ça existe", mais aussi de donner les intuitions de pourquoi la régularisation marche (ce que je trouve globalement déficient sur UA-cam). C'est pour ça que l'épisode est si dense et dur à suivre. Je suis sans doute trop ambitieux... Allez, encore 4 épisodes difficiles, et on reviendra sur des sujets beaucoup plus abordables...
OK, on va tous continuer à vous suivre quand même, évidemment. Cependant, il me semble que vous pouvez partir d'exemples très concrets et parlants, cela n'empêche pas du tout d'avoir l'intuition de la généralisation ensuite (c'est d'ailleurs bien comme ça que les scientifiques procèdent) et d'établir les lois mathématiques générales (pour ça, vous êtes sans doute le meilleur sur youtube francophone). En fait, peut-être que depuis plusieurs vidéos de la série, il y a aussi un malentendu : ce sont surtout des stats, avant d'être de l'IA. Et c'est vrai que sur les stats, y a pas mieux que quand vous vous liguez avec vos collègues youtubers (la statistique expliquée à mon chat, hygiène mentale, risque alpha...). Mais j'imagine que ça demande beaucoup de boulot.
On dirait que tu as tendance à oublier que tu fais de la VULGARISATION xD D'ailleurs j'ai l'impression que ca se répercute sur le nombre de vus. Même moi qui suis étudiant en informatique, j'ai trouvé les autres sujets plus intéressants et plus abordables :/ Je ne sais pas si il y'a un travail à faire coté simplification ou c'est juste le sujet qui est un peu moins intéressant (ce qui m'étonnerai vu le nombre de vus des 2 premières vidéos sur l'IA)
Pourquoi les gars sont amenés à être jugés ? Si c est juste parce qu'ils sont noirs (plus suspects qu' un blanc), c est normal qu' ils soient souvent relaxés.
Il y a plus de blancs que de noirs en Amérique, du coup un nombre de condamnés quasi-égal entre les deux populations montre que les noirs sont proportionnellement plus souvent condamnés que les blancs.
Même si les chiffres te donnent raison, ton explication est mauvaise parce que tu pars du principe que les blancs et les noirs commettent autant de crimes les uns que les autres. Alors que la question posée est la suivante: "À crime égal, les noirs sont plus susceptibles d'être condamnés à mort, mais en arrivant à leur procès les blancs ont autant de chances d'être condamnés à mort que les noirs, pourquoi ?"
Mets là en manuel (souvent marqué par un M) puis tu règles toi même la balance des blancs et autres paramètres. En plus tu auras le contrôle sur le rendu, ça sera que mieux !
Je fais des cauchemars la nuit, j'entends une voix qui me dit "c'est une idée bayésienne… mais j'en parlerai une autre fois"
C'est comme pour Bruce Benamran (si tu connais), on aura UN jour l'épisode sur Tesla ... xD
Mais pourquoi dire Bruce Benamran ?? C'est tellement plus facile de reconnaître en donnant le nom de sa chaîne e-penser ...
Rafael oui je sais pas... Mea culpa :) E-penser donc
J'avais fait avec un collègue une présentation de la méthode Lasso (pénalisation en norme 1, on avait mis en place un algo de convergence vers beta) en m1 de maths, ça fait plaisir que t'en parles et que tu le fasses découvrir à d'autres personnes !
Elles sont vraiment au top tes videos.
Tu as le soucis d approfondir chaque notion, c est super intéressant.
"on parlera plus tard du bayésianisme" en pourcentage de l'épisode:
Épisode 5: 0.1%
Épisode 12: 1.3%
Épisode 18: 6%
Épisode 26: 28%
Épisode 30: 100%
Pierre Stöber pour l'épisode 26 et 30, tu as utilisé un arbre ou une forêt pour trouver les labels ? xD
J'avoue qu'à partir de cet épisode je capte plus ce qu'il se passe. Par contre on reconnaît la valeur inestimable de ce que tu publies, y'a vraiment de l'information précieuse et synthétisée pour qui apprend le machine learning. Aussi, fais attention à pas cumuler les dettes, sur la liste tu as :
- Loi de Bayes,
- Théorème de complétude de Solomonoff.
Je pense surtout que ca manque cruellement d'exemple. Beaucoup n'ont pas le bagage pour comprendre le langage mathématique et même s'il dit que ce n'est pas important comme beaucoup de prof de physique le dirait à un élève qui ne comprend pas, le fait est que ces symboles nous perd rapidement. Psychologiquement ça pèse sur notre raisonnement toutes ces formules et tout le monde n'a pas la fibre mathématiques non plus.
Il explique bien la théorie et fait parfois des analogies intéressantes, mais pas mal de personnes ont besoin d'exemples concrets pour comprendre. A l'école ou encore maintenant on a beau m'expliquer la théorie le plus parfaitement possible, j'en prenais conscience seulement de ce qu'on me disait seulement quand j'avais un exemple devant moi.
Le due à bel et bien été payé j’espère que tu t’es régalé
Un petit commentaire pour le referencement, bon boulot, merci!
Je crois que j'ai décroché depuis l'histoire des forêts XD
Trop de formules, mais j'ai quand même l'impression de comprendre l'idée générale :-)
Osef les équations !!
(plus sérieusement, l'idée générale est beaucoup plus intéressante, je pense... Les équations servent avant tout de "sanity check")
Moi aussi j'ai énormément de mal à comprendre maintenant.. Je crois qu'il faut qu'on re-regarde les autres vidéos pour réviser ;)
Quand ça a parlé de norme 0, norme 1, norme 2 etc.. J'étais heureux d'enfin comprendre de quoi on parle
Cependant, j'ai pas l'impression qu'on puisse approximer la norme 0 par la norme 1... Parce-que la norme 1 c'est la somme de la norme 0 avec toutes les autres valeurs absolues des autres valeurs, je trouve que l'écart peut être très élevé (surtout quand les composantes sont du même ordre de grandeur)
Mais je pense que si on peut les intervertir c'est parce-que pour une variation de composantes données, les variations de ces normes seront les mêmes (dans le sens large du terme, en comptant la constance comme étant fourre tout)
Je pense que je vais me refaire toute la série sur le machine learning, a tête reposé ouais. Ou peut être en audio, en conduisant. J'ai l'impression d'assimiler plus facilement des nouveaux concepts de cette façon. J'ai remarqué ça en écoutant les podcast de podcastscience (que j'ai découvert grâce au T-shirt de lê ^_^) ou les axiomes de lê et thibaut.
Je viens de comprendre pourquoi la chaîne c'est "Science4All".
C'est pas dans le sens que c'est de la science destinée à tous mais plutôt qu'elle permet à ceux qui ont un bon niveau d'avoir aussi leur chaine scientifique. Ainsi, il y a de la science pour tous, pas que pour les vulgarisables mais aussi pour les nerds !! :D
Ca a l'air cool ce que vous racontez ...
Merci pour ta vidéo :) Petite remarque technique : j'ai été assez distrait par les changements de couleurs dans la vidéo. Autrement dit c'était un vilain facteur de confusion
Pareil, c'est perturbant que ca passe du rouge au orange et du orange au rouge
Faut couper la balance des blancs auto :)
Intuitivement je trouve cette vidéo très intuitive 😇
À 15:57 tu rends "expliquer" synonyme de "comprendre"; et cette hésitation est, à mon avis, pleine de sens dans ce cas précis:
Dans un modèle prédictif on cherche peut-être plus à "comprendre" qu'à "expliquer" justement.
Dans la compréhension, il y a l'idée d'un amas de connaissances en réseau qui se font échos les unes aux autres et d'où émerge un résultat approximatif mais inspirant, curieux, intriguant.
Dans l'explication au contraire, il y a quelque chose de plus Newtonien "il a expliqué le monde", de plus exact: le phénomène doit nécessairement tomber sous la loi, toute approximation est considérée comme fautive...
Et ce que j'aime dans tes vidéos, c'est probablement cet aspect là: un amour pour la compréhension, emprunt de méfiance certes, mais qui vient du fait que l'explication semble de plus en plus inaccessible à mesure que l'épistémologie avance. Cela rend les mathématiques moins rébarbatives, et invite au dialogue.
Et c'est beau.
La régularisation est souvent utilisée en Machine Learning pour faire de la feature selection. Régularisation L1 : LASSO, Régularisation L2 : Ridge regression. Une combinaison des deux donne Elastic-net
La sagesse des fôrets prône donc la technocratie. J'aime !
Bonjour et merci pour ta vidéo , une petite question : quelle est la différence entre la régression linéaire dans le cadre du" machine learning " et celle de l'économétrie ( classique , panel ,séries temporelles..)
Lê! Je t'aime!
Pour le facteur de confusion, on peut imaginer que ce soit la gravité des crimes commis. Par exemple, prenons un tribunal jugeant trois hommes blancs ayant respectivement commis 4, 3 et 2 meurtres, ainsi que trois hommes noirs ayant respectivement ayant respectivement commis 5, 2 et 1 meurtre. Si le tribunal condamne à mort les deux premiers assassins de chaque catégorie, on a bien deux tiers de condamnations pour les blancs et pour les noirs alors l'assassin noir ayant commis 2 meurtres est discriminé par rapport à son homologue blanc.
10:38, les condamnations chez les noirs et les blancs :
Cette fois, c'est l'inverse du paradoxe de simson :
Parmi les procès, il y a autant de condamnation à mort chez les blanc que chez les noir.
Parmi les non-procès, il y a autant de condamnation à mort chez les blanc que chez les noir.
Les procès sont beaucoup plus courant chez les noirs que chez les blanc, donc la proportion de condamnation à mort est plus important chez les noirs que chez les blancs.
(après, il faudrait étudié la corrélation entre "criminalité" et "avoir un procet". c'est peut-être justifié.
mais là, le gros risque est d'avoir des donné biasé dans le mesure de la criminalité.)
J'aimerais comprendre votre argument : qu'est-ce vous entendez par non-procès ? Il me semble qu'une condamnation à mort soit nécessairement précédée d'un procès, non ?
tout à fait. quand quelqu'un n'a pas de procès, il a une probabilité nul d’être condamner.
j'ai séparé l'ensemble des noirs (et de mème pour les blancs) en 2 groupes : ceux qui ont eu un procès, et ceux qui n'en ont pas eu (les non-procès).
Ah merci, j'ai compris. Argument intéressant en effet ! Mais dans ce cas le racisme ne provient pas tellement des juges - après tout ils ne se prononcent que lors des procès - que des policiers qui arrêtent plus souvent les afro-américains.
(les chiffres servent uniquement à expliquer mon raisonnement, ils ne sont pas fait pour être une estimation de la réalité)
Si on suppose que les crimes et délie vont d'une gravité 0 à 10, sont homogènemant répartie, et que quel que sois la couleur de peau, il y a une peine de mort pour les 10% des procès les plus grave :
Si un blanc à un procès à partir de la gravité 4, il sera condamné à mort à partir d'un crime de gravité 9.4.
Si un noir à un procès à partir de la gravité 1, il sera condamné à mort à partir d'un crime de gravité 9.1.
Donc la justice est quand-mème plus sévère avec les noir.
Explication crédible :)
Mais le fait que les noirs ayant plus facilement des procès soient donc avec un même taux de condamnations alors plus souvent condamnés peut être contrebalancé par une criminalité ou un taux de violence (d'origine sociologique) supérieur chez les Afro-Americans...
Salut ! Est-ce que t'aurais des ressources avec plus d'explication mathématiques et du code (Python de préférence) ? Ça serait vraiment génial, merci pour ton travail !
14:38 mais la finalité de l’intelligence artificielle, en mode fonctionnelle (et pas théorique), c'est de pouvoir apporté des modèles qui ne sont plus vérifiable humainement. Comme Turing à créer une machine qui permettait de testé plus de combinaisons que les homme disponible pour cracker le code Enigma. J'ai louper quelque chose?
Continue les vidéos et refais des vidéos sur les infinis :) il y a sûrement une infinité de choses à dire dessus
Le problème de cette posture sur les facteurs de confusion c’est que c’est l’argument infini qui permettra toujours de ne jamais changer d’avis peu importe les faits présentés. On peu en les invoquant ne jamais sortir de nos hypothèses houligans. Et c’est triste de ne jamais pouvoir objectiver le réel
Bonjour
Toujours très intéressante mais assez velu
Est ce qu'il existe des applications Excel sur le machine planning pour comprendre le fonctionnement ?
A propos du théorème de la diversité des prédictions ça me fait penser au fait que lors d'une régression linéaire par les MCO la variance de l'estimateur beta est divisée par la somme des écarts des variables explicatives à leurs moyennes (correspondant donc à la "diversité" de notre jeu de données).
Est ce que la régulation peut être vue comme une généralisation des "filtres" numériques utilisés en deep learning (cf les conférences de Yann Lecun)?
salut Lê, je voulais savoir si tu avais prévu de refaire des vidéos Hardcore
Sinon on ne peut pas juste prendre c
J'ai l'habitude d'écouter avec mon casque et je trouve que le son est particulièrement mauvais, anything changed ?
Tu es génial !
De 5:40 a 6:03, c'est le principe du Rasoir d'Ockham ça non ?
est ce qu’n peut s’attendre à un episode hardcore sur le baesiannisme?
Super tes vidéos toujours aussi intéressantes 😁👏👏👌👍💪💪
3:20 Tu voulais dire d>>n plutot non ? Parce si n>>d on peut utiliser le TFA
Le taux de condamnation à mort est un rapport entre le nombre de condamnations à mort et un dénominateur. Mais quel est le dénominateur dans ce cas ?
. Si c'est la population carcérale, il y a un énorme biais : la part de personnes incarcérées est nettement inférieure parmi les blancs que parmi les noirs (aux US). Donc la discrimination n'aurait pas forcément lieu sur la condamnation à mort, mais plutôt sur la condamnation tout court.
. Si la discrimination qu'on cherche à déterminer est uniquement sur la condamnation à mort de personnes coupables de crimes, un autre biais pourrait être le type de crime : un noir serait-il plus facilement condamné à mort qu'un blanc pour le même crime ? (viol, meurtre, ...)
En tout cas, merci infiniment pour tes vidéos Lê, c'est toujours un bonheur de découvrir l'univers des mathématiques avec des explications claires et abordables !
C'est moi ou son tee-shirt change de couleur x) ?
FACTEUR DE CONFUSION:
On n'a pas pris en compte les autres sentences? les juges font peut etre plus preuve de discrimination pour les petites sentences, mais sur les plus grosses, à cause des grandes conséquences, sont peut etre plus réfléchies et moins à mêmes de subir des injustices?
Bah, il devrait y avoir 8 fois plus de condamnations de blanc que de noirs, puisqu'il y a 8 fois plus de blancs que de noirs. Or, s'il y a le même nombre de comdamnation de noirs que de blancs, bah il y a un biais.
Données:
15% de noirs
85% de blancs
42% de noirs dans le couloir de la mort
48% de blancs
(À peu près, et en ne comptant ni les latinos, ni les asiatiques)
oui mais Lê parle du "taux de condamnation". Ce terme est sujet à interprétation (c'est là un des problèmes), mais tel que je l’interprète, c'est calculé par rapport à la population (noire ou blanche) considérée, justement...
alex rvolt oui, je comprends, mais il faut chercher, à mon avis, sur le terrain de la différence de nombre entre une minorité et une majorité.
Pour moi c'est qu'il y a plus de noirs amené en procès (racisme pt même involontaire des policiers, milieux défavorisés, etc)
Abathur intéressant, je mets un peu de confiance dans cette hypothèse car d'après le centre d'information sur la peine de mort, les procureurs sont au minimum 83% blanc, c'est à dire un peu surreprésenté car ils ne forment que 76% de la population. Au pire, ils forment 100% des procureurs aptes à instruire de tels cas.
La moyenne se situe à 94,5% de blancs.
alex rvolt oui, je trouve ça intéressant, j'y avais pas, tout de suite, pensé. Est-ce qu'on parle du «taux de condamnation» au sens «convinction rate», c'est à dire % des gens qui passent en procès qui sont condamnés.
Ou alors on parle d'un autre truc? Par exemple, la proportion dans le couloir de la mort, la proportion réellement exécutée ou la part des comdamnés dans la population totale par «ethnie» en anglais «race» mais bon, nous avez compris, on a vu dirtybiology ;)
Donc une optimisation robuste serait forcément plus "vagues" ? Comme les commentaires de texte de français ou on essaie de tout faire coller à un explication ?
J'ai une remarque sur la démocratie : la vraie démocratie (au sens athénien du terme) n'est pas un vote mais une délibération. Il s'agit de prendre des personnes qui n'ont pas les mêmes avis et de les faire débattre afin de décider ensemble d'une marche à suivre. Le meilleur exemple en France serait l'assemblée nationale ou le sénat si le débat qui y a lieu était non faussé par les institutions (à savoir le fait que le président de la république est élu au suffrage universel et que c'est lui qui donne les lignes directrices de ce que l'assemblée doit décider ou non). Il faudrait aussi que ces institutions soient représentatives, ce qui n'est pas vraiment le cas en France (la majorité des gens ne sont pas représentés à l'assemblée). Bref, le vote n'est pas la démocratie, et s'il n'est pas évident que la meilleure solution soit décidée par délibération, il y a quand même des chances pour que les meilleurs idées émergent et soient plus écoutées que les mauvaises.
Salut, j'ai un gros problème. Je suis en L3 et j'aimerais continuer en Data Science. Mais quand je lis des livres sur les séries temporelles, le machine learning, etc, je n'arrive jamais à "comprendre" les formules mathématiques. J'ai un simple niveau de maths et de stats de finance, et quand un cours traite d'une méthode en commençant par la partie théorique, je bloque toujours sur les formules. J'arrive pas à me les représenter, à savoir comment elles fonctionnent, et même si j'arrive à les déchiffrer, savoir que machin est d'ordre truc et que le coefficient vaut "grosse formule" ou que c'est une suite de chépakoi, ça ne me dit rien. Donc voilà, je sais pas si c'est grave, mais j'aimerais vraiment réussir, un jour, à lire un cours et à comprendre toute la partie théorique en me disant "ouais ok je vois, c'est comme ça que ça fonctionne donc dans mon cas, je dois faire ça parce que" car pour l'instant, j'applique un peu bêtement ce que je vois. Je compare, je teste, mais je ne comprends pas vraiment et ça me frustre. Tu pourrais me dire ce que toi tu vois quand tu lis des maths ? T'arrives vraiment à tout te représenter ? Tu penses que je devrais travailler quoi pour m'améliorer ? Merci d'avance !
En apprentissage automatique comprendre une formule ou un algorithme c'est d'abord savoir dire "en gros voila ce que c'est censé faire", présenter quelques problèmes jouets où ça marche et où ça ne marche pas. Puis dans un second temps savoir analyser dans le détail chaque terme et trouver le contexte rigoureux (modèle probabiliste, hypothèse sur la convexité du truc à minimiser, ...) qui permet de dire en quoi la formule et l'algorithme est optimal ou pas.
Il faut oublier les formules dans les dernières vidéos ... vu les commentaires pas grand monde ne les comprend parfaitement. Par contre les principes évoqués : les lois de la forêt, la dimension VC sont des bonnes approches pour comprendre l'univers de la Big Data / Machine Learning. +1 sur ce qu'à dit acx01bc, la formule / l'algorithme t'apporte la recette de cuisine. Chacun est différent, si tu n'es pas à l'aise essayes les algorithmes - pour ma part ça me parle beaucoup (beaucoup) plus ! Sinon je te conseille les vidéos de 3Blue1Brown - en suivant ses playlists, ça t'apportera une autre vision des nombres.
Pourquoi ta colorimétrie varie au cours du temps ? :D
Je ne comprends toujours rien mais je persiste
J'ai au moins vu 3 fois toutes tes vidéos mais je n'ai jamais vraiment rien compris
Ça serait pas un paradoxe ça ?
Mais tes vidéos restent géniales j'adore
Continue comme ça
Je pinaille hein, mais... c'est bizarre, dans la vidéo précédente, tu présentais l'histoire des fumeurs un peu comme un souvenir, alors que ça vient visiblement d'une vidéo youtube de jenesaisqui.
Le problème c'est que, si la vidéo de machin est intéressante, elle ne source nullement cette fameuse étude, sinon en disant qu'elle est britannique, ce qui me conforte par rapport à ce que j'avais trouvé en cherchant un peu (voir mon commentaire de proposition sur la vidéo 17).
Reste que la fameuse étude, si tant est que c'est bien celle là (www.ncbi.nlm.nih.gov/pmc/articles/PMC437139/), ne confirme à aucun moment le postulat de Roger.
je sais que c'est vraiment du vétillage (je viens de l'inventer celui-là), mais malgré tout j'aimerais vraiment savoir de quelle étude vous parlez.
parce que si on parle d'une étude publique (faite par l'État ou affilié) c'est problématique, disons plus que si elle a été faite par l'industrie du tabac.
Donc si jamais tu as la source.
Sinon toujours aussi intéressant, merci!
Dernière intervention promis: j'ai repéré un livre sur le bayésianisme (Le bayésianisme aujourd'hui) écrit par (enfin sous la direction de) Isabelle Drouet, maître de conférence dans je ne sais plus quelle université parisienne, en je ne sais quelle matière (honte). Est-ce que ça te parle? Si oui un avis?
J'ai survolé un peu ce livre. C'est excellent !
Mais ça manque une touche algorithmique à mon goût ^^
16:45 "Ce hashtag sous entend qu'il n'y pas grand chose au delà des modèles, voir, rien" Il y a bien des modèles meilleurs que d'autres non ? Ça me semble assez extrême comme point de vue au premier abord, mais je ne suis pas certain du sens des mots "grand chose" .
il parlait ici de la description de la réalité. Ça revient un peu à dire que tous les phénomènes autour de nous sont explicables, ou du moins modélisables.
Je pense plutôt qu'il s'agit d'une opposition par rapport à une forme de réalisme. Sa phrase peu laisser entendre qu'il n'y rien a modéliser. Il semble plus probable qu'il parle de l'impossibilité d'assurer l'existence d'un modèle ultime.
Je sur-interprète, mystère.
Rien à voir, mais as-tu prévu une vidéo sur le fait que la méthode bayésienne est plus appropriée que la méthode scientifique pour traiter des "fakes news", rapport à une conférence à laquelle tu as participé récemment?
Oui. Mais pas pour tout de suite... Trop de choses à dire ^^
La robustesse permet aussi de mieux répartir l'explication sur les poids (on minimise leur valeurs). On favorisera ainsi, par exemple, les poids/coefficients [0.25 0.25 0.25 0.25] que [1 0 0 0] pour une explication. Or j'ai compris avec ton explication que [1 0 0 0] serai favorisé car plus simple. Donc qu'est ce qu'une explication compliquée dans ce cas?
Peut-être que le taux de condamnation à mort (entendu comme le nombre de condamnations à mort par rapport aux procès pour homicide) est identique mais que les jurés condamnaient plus facilement (avec moins de preuves solides) les afro-américains que les blancs.
Ou peut-être que que le taux de condamnations à mort (entendu comme le nombre de condamnations rapporté non pas au nombre de procès mais au nombre d'accusés) est identique mais qu'il faut plus de procès (plus de meutres déjà commis) pour condamner un blanc qu'un afro-américain.
Pour le facteur de confusion :
Autant de condamnation à mort blanc/noir n'implique pas qu'il n'y ait pas de discrimination au tribunal. Il faudrait regarder les autres types de condamnations.
ça ne pourrait pas dépendre des différents états des États-Unis ? les noirs et les blancs n'étant pas répartis de la même façon on peut avoir plus de noirs dans des états où la loi ne permet pas la sentence a mort ?
Un des facteurs de confusion peut être la gravité des crimes ou délits.
j'avoue que j'ai du mal a suivre a force^^
S'il y a une discrimination des noirs par rapport aux blancs, alors les blancs qui arrivent jusqu'au jugement de la peine de mort devraient en moyenne être plus coupables (puisqu'il faudrait beaucoup plus de preuves pour qu'ils arrivent jusque là, leur culpabilité est beaucoup plus avérée). On devrait donc avoir un taux supérieur de peine de mort pour les blancs par rapport aux noirs. Si dans ce contexte nous avons un taux égal, cela peut aussi bien être le signe d'une seconde discrimination au moment de la sentence que le signe qu'il n'y a pas de discrimination a priori.
Un chiffre qui pourrait être intéressant pour tenter de comprendre ce qu'il se passe serait le rapport du nombre de condamnations à mort au total de la population (cond_blancs/pop_blancs et le même rapport pour les noirs). Bien sûr, cette nouvelle métrique amène de nouveaux facteurs de confusions et on ne devrait pas être aussi naïfs (niveaux d'éducation ou de précarité des populations initiales par exemple).
J'avais trouvé le facteur de confusion la semaine dernière. J'ai pas commenté pour ne pas spoiler. Si je trouve cette semaine, je me venge.
DAHUKEY ...*LE* facteur ? Si seulement il n'y en avait qu'un ;)
Je devrais créer un compte Instagram pour Azraël vu le succès qu'il a sur UA-cam ;-)
Ou alors je devrais essayer de voir si il existe un rationnel, autre que le doigt mouillé, quand on nous dit en modélisation épidémiologique qu'il faut 30 observations minimum par variables explicatives.
J'hésite ... ^^
Les données légèrement perturbées artificiellement... C'est la technique du "recuit simulé", ça, non ?
Pour le problème du biais de confusion, j'imagine que la proportion crime/délit doit être semblable dans les deux populations, même si pour les noirs on a un nombre (beaucoup plus) et une composition différentes.
En plus dans les blancs, en comptant les hispaniques (trafic d'organes, de drogue) et les juifs (pédophilie, escroquerie) on augmente artificiellement le ratio.
Pour le facteur de confusion, comme tu n'as pas précisé qui était discriminé entre les blancs et les noirs, j'ai donc tiré à pile ou face, pour la suite, ce seront les noirs qui seront discriminés pour la suite(pour le même délit, les noirs sont donc plus condamnés que les blancs). J'ai donc plusieurs explications :
1)(la plus simple) Les blancs commettent plus de délits que les noirs
2)Les blancs sont plus dénoncés pour leurs crimes que les noirs, donc plus de procès, donc plus de chances d'être condamnés, compensant la discrimination.
3)(plus subtile) Il existe des régions "anti-noires" et "anti-blanches", ce qui rétablit l'équilibre
4)Les blancs font l'objet de faux témoignages pour renforcer l'accusation contre les blancs, compensant la discrimination
5)Plus simplement, les enquêtes sont plus poussées contre les blancs, plus de preuves sont donc avancées, donc plus de condamnations.
6)Les blancs font des délits plus graves, qui sont plus susceptibles d'être condamnés
7)Les procès des blancs sont plus suivis, et ces procès suivis sont plus susceptibles de voir le coupable condamné
8)Les noirs sont jugés après les repas, les blancs avant. Les blancs sont donc plus susceptibles d'être condamnés
9)Une combinaison des 8 facteurs précédents, plus ceux auxquels je pourrais ne pas avoir pensé.
Je rappelle que j'ai tiré à pile ou face le rôle blanc noir, si un passage ne vous plaît pas, veuillez vous plaindre auprès de random.org.
à 3min20 tu veux pas plutôt dire "même quand d est plus grand voir bien plus grand que n" (car tu as dit l'inverse)
Je ne suis plus capable de suivre le niveau :-(
Mais les épisodes précédents m'ont déjà appris beaucoup
En ce qui concerne un facteur de confusion concernant le taux de sentence de mort qui est le même chez les Noirs que chez les Blancs.
Bon, il y a quand même plus de Blancs que de Noirs aux USA.
Ensuite, les jugements sont rendues par des jurés et des juges qui sont à grande majorité blanche.
D'autres parts, il y a beaucoup plus de Noirs qui vivent dans des quartiers pauvres et il y a beaucoup plus de délits et de crimes dans ces quartiers que dans les quartiers plus riches. Donc, le raccourci Noirs/Délits avec l'association Noirs /coupables est vite fait.
De plus, et pour détendre un peu la gravité du sujet, selon des études, les jugements sont plus sévères lorsqu'ils sont rendus avant midi et que les jurés et les juges ont faim. Ils sont plus indulgents de retour du resto vers 14H. Il faudrait voir s'il n'y a pas plus de Noirs que de Blancs dont la sentence est rendue avant midi qu' après. Bon, ça paraît un peu débile, certes. Mais cela peut aussi révéler que les jugements envers les Noirs soient rendus d'une façon plus expéditive; faudrait voir.
Le fait que, plus souvent, des Noirs soient abattus par la police américaine sans jugement n'est-il pas un facteur de confusion ?
And so on.
Si la population afro-américaine est discriminée, elle peut être amenée en procès pour des "broutilles" pour lesquelles la peine de mort (ou même une peine quelconque) serait injustifiable. Dès lors, le nombre de peine capitale serait "noyé" parmi ces peines mineures ou ces relaxations. Et ainsi les taux sont équivalents.
Mathématiquement :
Soit "Tb" et "Ta" les taux de condamnations à la peine capitale (pour les accusations justifiées) pour les populations respectivement blanche et afro-américaine.
Le nombre d'accusations injustifiées constitue respectivement (par exemple) 25% et 50% des accusations totales pour les populations blanche et afro-américaine.
Dès lors, si les taux totaux sont égaux, on a :
Tb * 0.75 = Ta * 0.5
Ta = Tb * 3/2
=> Ta > Tb (pour tout Tb > 0 mais cela va de soi)
CQFD :)
Pour ce qui est du facteur de confusion entre les blancs et les noirs, j'imagine que les noirs sont plus susceptibles de commettre de commettre de petits larcins (du genre vol à l'étalage, coup et blessures, etc..) que les blancs et ce pour de nombreuses raisons mais ce n'est pas le sujet ici.
Donc au final, en moyenne les noirs sont jugés pour des délits en moyenne moins grave que les blancs et pourtant les taux de condamnation sont les mêmes entre les deux ethnies ce qui montre une certaine inégalité de traitement.
Bon ce que ça montre aussi surtout au final, c'est que les chiffres on leur fait dire ce qu'on veut ^^
Hey...jvai laisser un pti com/ selon moi , les choses sont simple.
L intelligence artificiel reeleement potable sera :
Des algorythmes intelligent (ordonnés de l interaction des choix comparable a celui de l homme et toutes ses decision selon les sentiments! /%/Supervisant une gigantesque boite de données qui , elle meme s auto organisent😉😉😉
Faudrait déjà savoir ce qui différencie l'Homme de l'animal ... quand on y réfléchit, c'est une vaste question. Aujourd'hui l'IA imite correctement des systèmes complexes, son prochain stade c'est celui de l'animal puis celui de l'Homme et finalement de l'hyper-intelligence. On est qu'au premier chapitre d'une longue histoire ! :)
Je dirais que les noirs sont généralement plus pauvres et ont donc tendance a commetre des petits delits tels que des vols, agressions... alors que les crimes suffisamment grave pour être passibles de peine de mort sont commis par les deux de manière a peu près égale (en pourcentage de la population bien sûr ).
Conférencier de l'X !!!
Super vidéo! Mais il y a un problème de couleur, c'est perturbant ^^
Encore une superbe vidéo.
Concernant le taux d'exécution blanc/noir au USA, le taux de population noir n'est pas pris en compte. Ce qui devrait nous amener à un taux d'arrestation et de délinquance des blancs, supérieur aux noirs. La distribution géographique n'est pas non plus prise en compte. New York compte environs 1/4 de population afro-américaine si mes chiffres sont exacte. Le taux de chômage et les revenus ou d'inégalités peuvent aussi être une source de délinquance. Et pour finir le taux d'arrestation n'est pas non plus pris en compte.
Peut être que les noirs sont tués par des tiers qui se vengent ou quelque chose comme ça AVANT de pouvoir être jugé?
Daniel Strens (ou par la police !)
lol ton raisonnement est faux. Lê dit qu'il y a des discriminations aux procès, où les noirs sont plus susceptibles d'être condamnés à mort. Les gens qui sont assassinés avant leur procès ne comptent pas dans le condamnés, même si c'était plus qu’extrêmement marginal comme cas.
Pierre Stöber effectivement
Tu es d'utilité publique
Attention à ne jamais régresser linéairement ;)
Les forêts sont comme des agents expertdcherchant un consensus sur un ensemble de revision et ce iterativement, ce qui leur manque c est la prise en compte de lzur avis respective mais ca devient trop bayesien tout ca
Je n'aime pas cette notion de robustesse, qui consiste à se foutre d'une donnée qui contredit totalement les modèles. Or la science est souvent là, dans cette donnée particulière, souvent découverte par hasard. Un modèle qui marche avec 90% des données c'est utile en ingéniérie, pour construire des trucs qui tiennent tout le temps, jusqu'à ce que des circonstances exceptionnelles font que ça s'effondre...
Mais il aurait été utile d'étudier ces circonstances avant !
A noter que ça a vallu une définitive rupture entre moi et mon directeur de thèse, mon directeur voulait un modèle moyen qui colle avec la majorité des données (en excluant carrément les données trop loin de la moyenne), ce qui n'a abouti à aucune science, alors que les données qui différaient révélaient au contraire des phénomènes très intéressants remettant en cause tous les modèles structurels de l'époque, et qui ont été finalement abandonnés 30 ans après.
Pour ton problème des sentences a mort, tu parles bien de taux, et non de nombre, j'ai donc plusieurs idées :
- on sait que le racisme aux états-unis est très présent, surtout dans les forces de l'ordre, il pourrait donc y avoir beaucoup plus de condamnations de noirs que de blancs, mais le nombre n'explique pas le taux (cf ta vidéo précédente sur le paradoxe de Simpsons)
- la justice américaine contrôlerait et imposerait des quotas (en pourcentage des condamnations) à ne pas dépasser, auquel cas il serait difficile de distinguer des différences selon la couleur de peau.
- malgré le racisme, la situation a bien évolué depuis quelques années, et de plus en plus de juges sont noirs, ce qui baisserait le taux de racisme au sein de la justice américaine.
En vrai, les facteurs peuvent être tellement variés que mon ignorance m'oblige à ne pas me prononcer si ce n'est que par des hypothèses. Surtout sur ce genre de problème qui comme tu le dis est assez "touchy" :)
C'est sûr, on ne pourra jamais faire confiance à des résultats qui ne nous plaisent pas.
Tiens, un chamé-Lê-on.
Peut-être qu'il n'y a pas de facteurs de confusions et que tu veux nous faire tomber dans un "relativisme" statistique extrême (à des fins pédagogiques bien sûr 😉)
Hannibal Ateam J'y ai pensé aussi...pourquoi les juges américains ne seraient-ils pas impartiaux en moyenne ? Mon hooliganisme bien que très nuancé me pousse à penser le contraire, c'est presque de l'intuition à ce niveau là...du coup je ne sais pas si je dois le punir ou pas ^^'
Après une explication peut venir du grand nombre d'associations qui pèsent et agissent dans ce domaine, ou de la pression politique. Il faudrait connaître la date de l'étude, la période considérée, le taux d'actes passibles de la peine capitale selon la couleur...
Il est clair que quand on a certaines idées politiques (surtout pour la gauche en fait), on a tendance à penser qu'il y a des facteurs de confusion uniquement lorsque les statistiques donnent des chiffres qui ne correspondent pas à nos idées
Flutterwondershy Yay pour le coup il y en a je crois, notamment à cause du fait que la répartition d Afro Américains selon les états, et les États qui pratiquent la peine de mort, est inégale.
Par contre bien qu'on soit d'accord sur l'utilisation abusive des statistiques en politique évite de cibler un bord spécifique (qui en plus n'est plus pertinent, sauf sur un ton péjoratif qui n à rien à faire ici), cette chaîne donne des outils d'analyse mais s'abstient (à peu près ) de prendre politiquement position, ça doit en être de même pour les commentaires.
Après je suis sur que y'a des facteurs de confusion, mais pas que dans un sens, ce qui brouille bien le tableau
Hypothèses :
1- Les blancs et les noirs ont le même taux de condamnation à mort, mais peut-être pas dans les mêmes états. Genre : peut-être que les états qui pratiquent la peine de mort ont davantage de population blanche, donc il y a davantage de crimes effectués par les blancs?
2- même taux de condamnation lors des procès : parce que les noirs sont abattus par la police avant même d'avoir droit à un procès? (non, ce message ne vise pas à "casser les flics", mais uniquement à proposer une hypothèse)
3- une sorte d'effet auto-réalisateur? Du genre : on calcule à posteriori que les criminels blancs et noirs ont été condamnés à mort, en une certaine proportion. Mais c'est justement parce qu'on considère qu'ils étaient effectivement coupables de faits graves, qu'on les compte dans les statistiques : on ne "vérifie" pas les procès. Or, peut-être a-t-on condamné à tort davantage de noirs que de blancs, lors desdits procès (je sais pas si je suis clair).
4- en fait, ce sont les discriminations qui sont une illusion (biais de confirmation : on retient davantage les condamnations touchant les noirs, mais les statistiques contredisent notre intuition) . (non -bis-, ce message ne vise pas à nier l’existence de possibles discriminations)
Je suis daccord avec ton 3, c'est ce que j'avais trouvé, mais ton 2 me paraît un peu extrême quand même
Oui, pour être honnête, mes hypothèses 2 et 4 me semblent très peu vraisemblables. Mais bon, j'essaie de jouer le jeu : envisager des hypothèses en mettant de côté mes a-priori ;-)
Ta proposition 1 est particulièrement pertinente ! Du moins l'intégration de la répartition des Afro-American selon les états qui pratiquent la peine de mort
Concernant ton Mini défi : Quelle est la population des deux "castes" ? Selon Wikipedia 14% seulement sont classés dans les "Noirs non hispaniques" contre 53% "Blanc non hispanique" soit bien quatre fois plus, voir :
fr.wikipedia.org/wiki/D%C3%A9mographie_des_%C3%89tats-Unis
Là ça devient clairement de la discrimination :p
Si on suppose que la population est équilibrée en ne comptant que des "blancs" (en y intégrant les ethnies hispaniques, amérindiennes et asiatiques) on obtient carrément un facteur 6 !
Je commence à être perdu là... des exemples n'auraient pas été de trop pour cet épisode ;) Norme 0, 1 etc... Et puis la régression doit avoir des limites non? Je doute que l'on puisse obtenir de bon résultat d'extraction de données en photonique par exemple, à cause d'effets non-linéaires tel que l'effet Kerr par exemple... Le remplacement des chercheurs par des IA n'est pas pour demain ;D
Et oui on en parelera... mais pas aujourd’hui.. 😢😂
Un des facteurs de confusion dans ton histoire de discrimination, ne pourrait il pas être le fait que les proportions des types de crimes et délits jugées ne sont pas les même dans les 2 populations distinguées ? Par exemple on pourrait imaginé que 10 % des types A jugés et seulement 5 % des types B le sont pour meurtre. Non pas parce que les types B seraient moins meurtriers, mais parce qu’il sont sur-représentés dans les procès pour des crimes pour lesquels les policiers seraient plus conciliants avec les types A (conduite en état d'ivresse, dérangement à l'ordre public, etc.....).
Cette situation correspondant bien à une double discrimination : Les types B sont plus souvent en procès et à niveau de gravité égale ils sont plus souvent condamnés à mort !
Attention spoiler pour ceux ayant un bon bagage en math et philo : materiologiques.com/sciences-philosophie-2275-9948/233-le-bayesianisme-aujourdhui-fondements-et-pratiques-9782373610789.html
Bonjour Lê. Désolé de casser un tout petit peu l'ambiance, mais je trouve que depuis plusieurs épisodes, la série s'embarque dans des explications compliquées et présentées de façon abstraite alors qu'il s'agit en fait de trucs très concrets et certains sont très simples. Exemple : parler du fait qu'on privilégie la norme 1, puis la norme 2, etc... (avec toutes les notations), c'est franchement dire de façon compliquée qu'on privilégie tout simplement les modèles de régression à un paramètre d'ajustement, puis deux, puis trois, et il y a plein d'exemples hyper-concrets qui pourraient être donnés plutôt que d'utiliser des bêtas avec indices. Pourquoi ne pas faire comme dans les autres séries : partir chaque fois d'un exemple très concret pour généraliser ensuite l'explication ?
J'ai en tête plein d'exemples en biologie, facilement compréhensibles, avec un modèle où on "ajuste" une variable expliquée ("label") avec un modèle à un paramètre (le "bêta") et une seule autre variable mesurée ("feature"), et d'ailleurs le paramètre en question a parfois un sens phénoménologique et donc un intitulé (donc très compréhensible par tous), mais qu'on a ensuite "amélioré" avec deux variables mesurées et donc, si on est en régression linéaire, avec aussi deux paramètres. Des trucs comme ça, très concrets, y en a à la pelle !
Enfin, petite remarque : il existe plein de domaines où il y a tellement peu de mesures dispo qu'aucun modèle ne peut être testé de façon fiable, même en régression linéaire à un seul paramètre (exemple dans les maladies très rares). Il existe quand même des stats pour cela.
Je m'excuse d'être un peu dur à comprendre. En effet, il est largement possible de parler de régularisation de façon plus concrète et plus compréhensible. Et j'invite tous les vulgarisateurs à ce faire.
Cependant, mon objectif n'est pas de dire "ça existe", mais aussi de donner les intuitions de pourquoi la régularisation marche (ce que je trouve globalement déficient sur UA-cam). C'est pour ça que l'épisode est si dense et dur à suivre. Je suis sans doute trop ambitieux...
Allez, encore 4 épisodes difficiles, et on reviendra sur des sujets beaucoup plus abordables...
OK, on va tous continuer à vous suivre quand même, évidemment. Cependant, il me semble que vous pouvez partir d'exemples très concrets et parlants, cela n'empêche pas du tout d'avoir l'intuition de la généralisation ensuite (c'est d'ailleurs bien comme ça que les scientifiques procèdent) et d'établir les lois mathématiques générales (pour ça, vous êtes sans doute le meilleur sur youtube francophone). En fait, peut-être que depuis plusieurs vidéos de la série, il y a aussi un malentendu : ce sont surtout des stats, avant d'être de l'IA. Et c'est vrai que sur les stats, y a pas mieux que quand vous vous liguez avec vos collègues youtubers (la statistique expliquée à mon chat, hygiène mentale, risque alpha...). Mais j'imagine que ça demande beaucoup de boulot.
À quoi beau créé des machines qui évite la surinterprètation quand le cerveau humain n'y échappe pas. Je pensais que l'IA visait à penser comme nous.
Je kiffe déjà alors que je n'ai pas encore regardé !
On dirait que tu as tendance à oublier que tu fais de la VULGARISATION xD
D'ailleurs j'ai l'impression que ca se répercute sur le nombre de vus. Même moi qui suis étudiant en informatique, j'ai trouvé les autres sujets plus intéressants et plus abordables :/
Je ne sais pas si il y'a un travail à faire coté simplification ou c'est juste le sujet qui est un peu moins intéressant (ce qui m'étonnerai vu le nombre de vus des 2 premières vidéos sur l'IA)
La régression linéaire, c'est drôle parce que ça va jusque XD
Pourquoi les gars sont amenés à être jugés ? Si c est juste parce qu'ils sont noirs (plus suspects qu' un blanc), c est normal qu' ils soient souvent relaxés.
Il y a plus de blancs que de noirs en Amérique, du coup un nombre de condamnés quasi-égal entre les deux populations montre que les noirs sont proportionnellement plus souvent condamnés que les blancs.
Même si les chiffres te donnent raison, ton explication est mauvaise parce que tu pars du principe que les blancs et les noirs commettent autant de crimes les uns que les autres. Alors que la question posée est la suivante: "À crime égal, les noirs sont plus susceptibles d'être condamnés à mort, mais en arrivant à leur procès les blancs ont autant de chances d'être condamnés à mort que les noirs, pourquoi ?"
je suis first #tropfier ^^
maxime thierry 2eme et pas peu fier de ma tite analyse😂😂😂😂
Ton T-shirt est un sacré facteur de confusion, ton logiciel doit avoir un problème de régularisation, tout ça manque un peu de robustesse !
C'est ma caméra... Elle a fait n'importe quoi !
yup on dirait que ta balance des blancs qui déconne ;)
Mets là en manuel (souvent marqué par un M) puis tu règles toi même la balance des blancs et autres paramètres. En plus tu auras le contrôle sur le rendu, ça sera que mieux !
dsl je suis beaucoup trop stupie pour ca
stupide
X1, X2, X3, etc jusqu'à XD
humour de merde sur les smiley '^'
Ça m'a fait rire ^^
Yeah ! It's a win !
il y a plus de noir qui passent devant un tribunal