PYTHON NUMPY STATISTIQUES et MATHÉMATIQUES (12/30)
Vložit
- čas přidán 9. 07. 2024
- Ce tutoriel francais Python Numpy vous montre comment faire des statistiques et des mathématiques avec le tableau Numpy array.
Nous voyons beaucoup de fonctions, en combinaison avec les axes de numpy array (axis=0, axis=1)
timecode du tutoriel:
1) MATHÉMATIQUES DE BASES
0:00 Intro
00:27 méthodes ndarray de bases sum, sum(axis=0), axis = 1
03:20 min() et argmin(), max() et argmax()
04:18 argsort()
05:37 fonctions mathématiques : np.exp(), log, cos, sin, sinh ....
2) STATISTIQUES
07:27 Statistiques: mean, var, std
08:32 corrcoef: calculer des corrélations entre lignes ou colonnes
10:30 np.unique: compter le nombre de répétitions dans notre dataset
12:34 Exercice: Argsort() + np.unique() pour trier les répétition d'un tableau Numpy
3) CORRECTIONS DE DATASETS
14:46 NaN Not a Number: np.nanmean() et np.nanstd()
16:46 Compter les NaN dans un tableau Numpy et filtrer les NaN avec le Boolean indexing
4) ALGEBRE LINÉAIRE
18:59 Transposée et produit matricielle dot()
20:35 np.linalg : determinant, inversion, eigen values (valeurs propres)
5) EXERCICE
22:45 Exercice de cette vidéo: Standardiser un dataset + méthode de normalisation Wikipédia
6) CORRIGÉ EXERCICE
25:10 Manipuler une image avec Numpy: Slicing
27:34 Correction photo et compression d'image
LIEN VERS LES DOCUMENTATIONS:
Numpy ndarray
docs.scipy.org/doc/numpy/refe...
Numpy fonctions mathématiques
docs.scipy.org/doc/numpy-1.13...
Numpy statistiques
docs.scipy.org/doc/numpy-1.13...
Numpy algèbre Linéaire
docs.scipy.org/doc/numpy-1.13...
Wikipédia Normalisation et Standardisation
en.wikipedia.org/wiki/Feature...
► ARTICLE EN COMPLÉMENT DE CETTE VIDÉO:
machinelearnia.com/
► Soutenez-moi sur Tipeee pour du contenu BONUS:
fr.tipeee.com/machine-learnia
► REJOINS NOTRE COMMUNAUTÉ DISCORD
/ discord
► Recevez gratuitement mon Livre:
APPRENDRE LE MACHINE LEARNING EN UNE SEMAINE
CLIQUEZ ICI:
machinelearnia.com/apprendre-...
► Téléchargez gratuitement mes codes sur github:
github.com/MachineLearnia
► Abonnez-vous : / @machinelearnia
► Pour En Savoir plus : Visitez Machine Learnia : machinelearnia.com/
► Qui suis-je ?
Je m’appelle Guillaume Saint-Cirgue et je suis Data Scientist au Royaume Uni. Après avoir suivi un parcours classique maths sup maths spé et avoir intégré une bonne école d’ingénieur, je me suis tourné vers l’intelligence artificielle de ma propre initiative et j’ai commencé à apprendre tout seul le machine learning et le deep learning en suivant des formations payantes, en lisant des articles scientifiques, en suivant les cours du MIT et de Stanford et en passant des week end entier à développer mes propres codes.
Aujourd’hui, je veux vous offrir ce que j’ai appris gratuitement car le monde a urgemment besoin de se former en Intelligence Artificielle.
Que vous souhaitiez changer de vie, de carrière, ou bien développer vos compétences à résoudre des problèmes, ma chaîne vous y aidera.
C’est votre tour de passer à l’action !
► Une question ? Contactez-moi: contact@machinelearnia.com
Honnêtement j'ai envie de dire que malgré la gratuité de la chose on a quand même envie de payer, tant le contenu est parfait ...
Quel travail remarquable, ces cours m'aident beaucoup pour le Master en Econométrie et Stat appliquée que je prépare..
Merci infiniment pour l'investissement !
Merci beaucoup pour ces encouragements, il est possible de me soutenir sur Tipeee, sur lequel je poste du contenu bonus :)
Honnêtement Oui
The best in machine learning vous avez un art pour rendre la chose compréhensible et facile vraiment merci et faites encore d'autres vidéos sur les choses de vos choix que je pense vont etre trés intéressants
Gracias
J'ai seulement 15 ans et je regarde tes vidéos , tes vidéos me prennent du temps à regarder car je m'efforce d'aller voir les notions de mathématiques que je ne connais pas pour pouvoir avancer , ce qui rend tes vidéos encore plus passionnante
Bravo je suis impressionné par le fait que tu regardes tout ca a 15 ans !
@@MachineLearnia merci
mmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm
1) MATHÉMATIQUES DE BASES
00:27 méthodes ndarray de bases sum, sum(axis=0), axis = 1
03:20 min() et argmin(), max() et argmax()
04:18 argsort()
05:37 fonctions mathématiques : np.exp(), log, cos, sin, sinh ....
2) STATISTIQUES
07:27 Statistiques: mean, var, std
08:32 corrcoef: calculer des corrélations entre lignes ou colonnes
10:30 np.unique: compter le nombre de répétitions dans notre dataset
12:34 Exercice: Argsort() + np.unique() pour trier les répétition d'un tableau Numpy
3) CORRECTIONS DE DATASETS
14:46 NaN Not a Number: np.nanmean() et np.nanstd()
16:46 Compter les NaN dans un tableau Numpy et filtrer les NaN avec le Boolean indexing
4) ALGEBRE LINÉAIRE
18:59 Transposée et produit matricielle dot()
20:35 np.linalg : determinant, inversion, eigen values (valeurs propres)
5) EXERCICE
22:45 Exercice de cette vidéo: Standardiser un dataset + méthode de normalisation Wikipédia
6) CORRIGÉ EXERCICE
25:10 Manipuler une image avec Numpy: Slicing
27:34 Correction photo et compression d'image
Cool Guillaume une maîtrise des connaissances de base est la clé d'une bonne connaissance des algorithmes en data science
Vu la clarté d'exploitation de votre livre apprendre le machine learning en une semaine je vous propose d'en faire un sur les 5v que dois absolument maîtriser tout data scientist dixit les 5v = volume , variété , vélocité, valeur, Vérocite !!!!
@@madaragrothendieckottchiwa8648 Tout à fait d'accord avec vous !
@@madaragrothendieckottchiwa8648 Aaah les 5v du Big Data ! Je compte en parler bientôt et produire du contenu pour tirer au clair tout cette histoire ne vous en faites pas ! :)
ah tiens j'avais pas vu que tu rangeais les raccourcis de tes vidéos en commentaire super j'adore!
Merci Guillaume!
Tes vidéos sont d'une qualité très rare. Merci pour tout
merci beaucoup pour ces cours extrêmement utiles et bien structurés. votre pédagogie est sincèrement l'une des meilleures sur CZcams. grand bravo cher frère.
Merci beaucoup vous me flatter !
J'ai découvert ta chaîne tout récemment et j'adore la qualité pédagogique de tes vidéos, c'est un régal. Tu te focalises sur les points essentiels, les trucs qui marchent, tout devient plus clair du coup. Merci pour ton partage !
Les maths .....cette drogue! Merci de la partagée avec nous Guillaume!
Ca veut dire que je suis votre Dealer ?! Je n'assume pas ce rôle Ahahah !
Merci beaucoup ! :)
@@MachineLearnia bjr pourquoi tu upload plus de video
J'ai commencé à coder en python il y a quelques mois et tes vidéos m'ont motivé à me lancer dans le machine learning. Vraiment bravo et merci pour tout ce que tu partages avec nous ! C'est un vrai régal !!!!
Super vidéo ! Merci beaucoup !
Très bonne explication !
Merci pour vos efforts
Merci pour cette vidéo de qualité comme d'habitude, ça valait le coup d'attendre ^^
Merci beaucoup ! :D Oui j'ai retourné cette vidéo 2 fois parce que le contenu de la vidéo ne me plaisait pas autant que d'habitude, donc j'ai préféré reprendre à zéro pour avoir la meilleure qualité possible !
Simple comme d'hab tout ce qui se conçoit simplement se comprend très clairement
Parfait ! Je vais toujours essayer de faire simple alors ! :)
Merci beaucoup vos vidéos sont géniales ! J'apprend de plus en plus grâce à vous. Merci encore !!!
merci beaucoup pour ces cours extrêmement utiles et bien structurés. votre pédagogie est sincèrement l'une des meilleures sur CZcams. j'attend impatiemment votre prochaine vidéo. grand bravo cher frère.
Merci beaucoup ! La suite sort aujourd'hui ! :)
Tu as une manière très belle continue et merciiii beaucoup
Merci pour cette vidéo de qualité comme d'habitude
Superbe vidéo, as always. Merciii 🙏
Thanks ;)
Franchement, c'est parfait
J'ai vraiment appris
Super les vidéos. Merci pour le temps passé à nous aider à apprendre python
De rien, c'et un plaisir :)
Du gros gros taf encore , merci Guillaume !
De rien :)
merci infiniment cher Guillaume
Merci :)
Merci bcp ! Depuis l'Espagne! Je vous remercie votre travail! Il m'a aidé beaucoup pour résoudre mes doutes
Je vous en prie ! :)
Gros MERCI à vous
De rien et merci pour le commentaire
Je viens de découvrir vos vidéos notamment celles consacrées a NumPy. Bravo et merci je vais revenir.
Merci beaucoup, vous êtes le bienvenue. Bon courage dans vos projets ! :)
VOUS ËTES HONNETE
MERCI POUR TOUT CE DUR TRAVAIL QUE VOUS FAITES
Merci beaucoup pour cette formation. Vous m'aidiez beaucoup
Merci,c'est mon but de vous aider :)
You are the Man ! thnks
Merci beaucoup cher expert !
De rien :)
Merci énormément pour ces vidéos! Python pour le machine learning est plus simple maintenant. je consomme sans modération ;)
Merci a vous. Consommez sans modération en effet ^^
merci, comme d'habitude: super vidéo!
merci ^^
Tes vidéos sont top
Merci pour votre pédagogie continuez ainsi
Merci a vous
C'est super merci
Je suis en deuxième année (licence informatique, je compte faire un master) à Paris Descartes
vos vidéos m'aident vraiment beaucoup car je veux faire de l'intelligence artificielle
Merci beaucoup
Ça fait très plaisir de lire ça ! Bravo et bon courage dans vos études :)
ça commence a se corser mais on s'améliore par la pratique.
Merci !
Si vous avez la moindre question surtout n'hésitez pas a me faire signe ! Vous avez raison de pratiquer, bravo !
merci encore une fois :)
De rien :)
Merci, infiniment, de base j'ai fais une licence en ingénierie électrique et automatique, maintenant je suis en M1 Archi web en alternance en tant que dev web junior, maintenant ça va faire une semaine que je suis sur cette formation , franchement je suis trop tenté de plongé dans ce monde , merci pour tous.
De rien, bravo a vous pour votre engagement, cela vous récompensera ! :)
Merci beaucoup Mr 👍 c tres interessant
Merci a vous :)
Sur la correction de l'exercice.
Je précise que si tu divises la largeur et la hauteur par 2 tu te retrouve avec 4 fois moins de pixels.
Par ailleurs, si tu as 4 fois moins de pixels, tu perds forcément en qualité d'image (même si cela ne se voit pas forcément à l'oeil nu).
Cela dit, tes vidéos sont super et je me régale à découvrir tout ça avec Python
mec t un roi
Excellente vidéo encore, merci. Je cherchais comment faire un find avec numpy et la réponse était là avec le boolean indexing. Continue comme ça et merci.
Je suis content que tu aies trouvé la réponse à ta question :) A bientôt
Merci your are the best
Thank you too
Merci beaucoup
Vraiment magnifique.
là je viens de me rendre compte qu'on peut utiliser la méthode cumsum() pour faire la fonction fibonacci.
Intéressant, programmeur java à la base, j'ai résolu l'exercice en utilisant une boucle for pour calculer chaque colonne les unes après les autres... Et que vois-je à la vidéo suivante... l'itération induite avec Numpy... que tu utilises dans cette exercice ^^
Merci pour tes vidéos en tout cas.
J'aspire à faire du machine learning, notamment de la NLP. Tes vidéos sont une mine d'information.
Merci beaucoup. C'est bien de faire les parallèles entre langage, on apprend plus vite. Tu pourrais t'amuser a chronométrer l'opération en Java vs Numpy (avec le broadcasting). Nous ferons du NLP en courant d'année 2020, avec Pytorch ou Tensorflow / Keras. :) Bon courage pour la suite et a bientôt !
Merci beaucoup machine learnia keep it up
Merci beaucoup ! :D
continue mon copain ça commence à chatouiller les sujets qui vont tout changer 😁👍 encore merci l’ami
Oui prochaine vidéo sur matplotlib on va commencer à s'amuser !
je t’ai
mis
un
p’tit message
sur...
discord 😉
Super je vais voir ca ! Je vais bientôt créer un serveur ! :)
Le contenu est vraiment incroyable.
J'ai une suggestion: ce serait bien de faire une série sur les connaissances mathématiques nécessaires à la science des données. Après je me doute du travail considérable que tu fourni donc je suis conscient que c'est une requête un peu osée mais il faut dire que ton contenu est si accrocheur et détaillé que c'est une mine d'or dans le domaine !
Salut ! J'y travaille en réalité ! Elle va sortir sur mon site Internet en 2022 :)
Merci beaucoup Guillaume! Tu es le meilleur
voici ma réponse à l'exercice donné , j'ai comparer les résultats c'est parfait !
def normalisation_colonnes(A):
n = A.shape[1] # nombre de vecteur colonnes
R = np.ones(A.shape) # matrice resultat
M = np.mean(A, 0) # matrices des moyennes de chaque colonne de A
M = M.reshape((1, n)) # reshape
for i in range(n):
V = A[:,i:i+1]
R[:,i:i+1] = (V - M[:,i]) / np.nanstd(V) # normalisation de chaque colonne
return R
Bravo !
Merci
merci beaucoup pour vos tutoriels, je suis developpeur et comme la data science nous impacte dans notre job, mon but n'est pas de devenir Data scientiste (c'est un métier à part entiere, c'est d'abord un statisticien) mais de comprendre et de pouvoir réaliser ses demandes au niveau des nos programmes, en plus de la gestion. ce qui manque ce sont de vrais cas d'usage du reel qui mettent en oeuvre les algorythme..
Bonjour, vous avez tout a fait raison.
Merci.
12/30 rien à dire jusque la, parfait! A un petit détail près, ce serait bien d'avoir la réponse d'un exercice au début de la prochaine vidéo et non à la fin, ça mélangerait moins ce qu'on apprend au fur et à mesure. Un grand merci sinon
Merci pour cette suggestion, je suis d'accord avec. Je vais changer ca a l'avenir !
Brillant
Vidéo très instructive, comme les précédentes ! Merci pour le travail fourni.
Petite précision sur l'exercice à la fin de la vidéo, le poids de l'image n'est pas divisé par 2 mais par 4 lors du slicing : tu prends la moitié des lignes et la moitié des colonnes, soit (1/2)*(1/2)=1/4
Oui vous avez raison ! :)
Super clair, concis et instructif ! J'avance comme une balle avec cette qualité de cours.
Merci a vous ! Oui oui et oui vous avez raison sur tous ces points, merci ! :D
Hello, vraiment top! Et un grand merci pour le partage de connaissances !
PS, sur le slice de la fin le pas de 2 sur les deux dimensions implique un espace disque 4 fois moindre :-)
Merci beaucoup ! Oui tu as raison ou avais-je la tete !? ^^
@@MachineLearnia je chipote je le sais , je n aurais pas fais mieux dans le feu de l'action :-)
29:02 Elle pèse 4 fois moins lourd du coup, (2**2) ;)
Super vidéo comme d’habitude.
Oui tu as raison ! Merci beaucoup :)
parfait, avec une application concrete, cela serait mieux, car pour les débutant, c'est un peu difficile
merci en tous cas, au moins c'est tres clair
Merci beaucoup. Les vidéos suivantes utilisent de plus en plus de cas concrets. Merci pour ce commentaire pertinent !
Bonjour Guillaume, juste pour le plaisir de corriger, le poids de l'image est de 12 fois moindre au total ;-) en passant de 24b RGB à 8b c'est trois fois et de quatre avec le slicing de 2 en X et de 2 en Y soit un total de 3*4. j'ai 58 ans avec des idées bien arrêtée (têtu quoi !) comme par exemple, que Python était une sorte de Basic donc sans intérêt pour moi. je viens de découvrir par hasard avec vos vidéos, numpy. je dois dire que c'est plutôt sympa et je n'aurais probablement pas eu envie de gratter python sans tes vidéos. Encore une petite chose, en général les vidéos ont un effet soporifique chez moi, mais pas les tiennes ;-) et ça c'est un exploit aussi :D bonne continuation, je vais aller jusqu'au bout et Merci
Ah oui, dit comme ca, vous avez raison ^^
Bonne continuation et j'espere que la série vous plaira ! PS : j'ai aimé lire votre commentaire
J'ai une entretien le jeudi et je voudrais savoir quels sujets je doit faire plus d'attention pour étudier. Merci beaucoup pour toute le contenu, c'est excellente!
Pour votre entretien, essayer de connaitre l'entreprise du mieux possible : ses produits, ses projets, ses clients, le projet sur lequel vous devriez travailler. Selon le job, réviser certains concepts statistiques (les lois de probabilités normales et binomiales) les bases du Machine Learning, comment gere-t-on un projet (train_set, test_set) et essayez de chercher enn lignes quelques mini-exercices python
@@MachineLearnia Merci beaucoup!
merci
de rien
Bonjour et encore merci.
Question :
Peut-on mettre un timing pour afficher une image avec plt.show() afin que le programme puisse continuer à se dérouler ? Ceci également pour créer une animation avec succession d'images, par exemple.
Merci :)
Pour créer une animation, il existe le module matplotlib.animation. Je compte faire des tutos dessus a l'avenir.
il existe le module "time" pour compter le temps et faire des pauses dans un programme. Mais ce n'est pas une chose courante en Data Science.
Ce n'est pas utile de faire de faire un timing pour afficher une image et continuer le programme en meme temps, l'image peut s'implement etre produite dans une fenetre a coté du programme.
Bonjour guillaume, pourrais tu faire une vidéo sur les meilleurs systèmes de recommandations prédictifs que ce soit en ML ou en Deep Learning (de ta prochaine série vidéo). Selon ce qui marche le mieux et en Tutos !
Merci pour ce que tu partages avec nous je te suis depuis 2019 la chaine prend de l'ampleur j'en profite avant que tu n'es plus le temps répondre a tout tes commentaires !
Merci beaucoup a toi ! Pour la prochaine série j'ai promis que ca serait les bases du Deep Learning, mais je vais faire les systems de recommandation en 2021.
2019 ahah tu fais parti des vrais toi ! Ca me fait super plaisir d'avoir des supporters des premiers jours ! :)
PS: Désolé pour la réponse tardive, votre commentaire était tombé dans la boite "review" de l'algorithme CZcams, je ne sais pas pourquoi.
❤🔥❤🔥
Svp la méthode de compression consistant à sauter un pixel sur deux est elle vraiment utilisée ? Ou bien on en utilise toujours des meilleurs ? Ou bien est-ce la méthode standard pour passer de 720p à 360p ?
C'est une bonne méthode pour réduire la taille d'une image, mais souvent on va faire une convolution / pooling pour réduire la taille d'une image.
Je suis en école d'ingé à Strasbourg et tu es en train de me sauver la vie, ta formation est géniale ! D'ailleurs j'ai noté le petit "Oh yééé", tu es Alsacien ? :)
Yes, je viens de Strasbourg justement :)
merci beaucoup
peut tu faire des videos d'exercises pour reviser les Cours
Super vidéo merci beaucoup ! juste un truc, quand vous dîtes zoomer de 1/4 au centre, ça veut dire en gros enlever des bandes de largeur 1/4 de tous les côtés de l'image, et ça nous donne bien un zoom x2 ?
en fait c'est un zoom x2, et je me suis un peu mal exprimé c'est vrai !
je reviendrais plus tard sur cette vidéo pour l'ALGEBRE LINÉAIRE,car je n'ai pas apris sa au collège xD
On apprends plutôt cela dans le supérieur oui. Rassure-toi ca n'est pas le plus important ;)
Bonjour ,merci pour le travail effectuer pour ces cours en python (Machine learning) je vous demande si vous avez le cours pdf aussi de m'envoyé si possible?
Bonjour le cours est disponible prochainement sur mon site internet ( le lien est dans la description)
salut à toi
je commence tout d'abord par te remercier pour tes videos pertinentes ,ils sont riches et simples merciiii :)
je voulais connaitre s'il te plait s'il y a du traitement d'image en python pour le reste de vidéos de cette série ??
Oui j'en fais un tout petit peu dans la vidéo 16/30, mais je vais faire des vidéos spécialement a ce sujet a l'avenir :)
Salut ! Tout d'abord merci pour tes vidéos tu as une super diction et une bonne manière d'expliquer les concepts. J'ai une petite question par rapport à l'exercice sur l'image, tu dis qu'il faut zoomer d'un quart de tous les côtés sur chaque axe , ou zoomer au total de 1/4 ? Si c'est le deuxième cas, il aurait fallu couper 1/8 de l'image de chaque côté pour atteindre au total 1/4.
Merci de ta réponse, bisous
Oui j'ai mal posé la consigne, en plus j'ai confondu 1/4 et 1/2. Je veux dire qu'il faut effectuer un slicing pour couvrir l'intervalle [1/4 - 3/4] voila ! :D
@@MachineLearnia ok merci pour la précision, bonne soirée !
Excellente video comme toute la serie! merci enormement. j'aurais une question: la photo du koala sur laquelle on travaille, elle est stockee directement dans scipy, correct? est-il possible d'importer une image du type .bmp, (j'imagine que .jpg ne fonctionne pas car format compresse.) et de travailler de maniere similaire? merci encore! cette serie est au top =))
Merci beaucoup :)
Pour importer tes propres images avec Python, tu peux utiliser matplotlib de la facon suivante :
import matplotlib.pyplot as plt
image = plt.imread('mon_image.png')
image = image[:,:,0] # réduire l'image en 2D
plt.imshow(image) # afficher l'image (les couleurs peuvent etre étrange, c'est parce qu'il faut choisr une palette graphique
Il me semble que tu peux ouvrir des images .png, .jpg, .bmp et autres
Si jamais ca n'est pas la cas, alors tu peux utiliser une autre librairie tres connues pour le traitement d'image : "PIL"
Bonne chance et tiens moi au courant si tu rencontres une difficulté
Quand on utilise A.ravel() pour mettre sur une ligne notre tableau, comment faire pour le mettre sur une colonne ?
Il suffit de faire la transposée apres coup : A.ravel().T
Salut Guillaume ! Je trouve tes vidéos superbes ! En revanche je ne suis que en 3ème donc l'agèbre linéraire, des stats poussés ne sont pas de mon niveau. Je m’intéresse énormément au machine learning, deep learning et surtout à Python (je comprend tout ton code sauf les formules de maths :\ )! Je ne sais donc pas si je peux continuer la série en me souciant des notions de maths pour me concentrer sur le code. Que me conseilles-tu ?
je pense que tu peux continuer la série, car meme si quelques videos pourront te sembler un peu difficile (par exemple la video 16/30) la plupart sont bien vulgarisées pour que tout le monde comprenne (meme le machine learning a partir de la vidéo 20/30)
Sinon je vais bientot produire une série de video sur un outil super cool pour faire du Data Mining sans avoir besoin de comprendre les maths, je pense que tu vas bien aimer ;)
@@MachineLearnia merci beaucoup pour les conseils ! Et continu ce que tu fais c'est super !!
bonjour ,
j'aimerais savoir si j'aurais besoin d'aprendre machine learning pour devenir data analyst?
bonjour,
merci pour les video
est ce que face = face[::2 , ::2] , ne réduit pas le poids de l'image d'un facteur 4 (et non de 2) ? => facteur 2 dans les 2 direction ==4 ?
Oui c'est tout a fait correct, cela réduit d'un facteur 4.
bojour comment vous avezz fait pour injecter dans les values (13:37 au 14:20) j ai du louper quelque chose.merci d avance
Un cours très dense !
Merci !
D'après mes souvenirs les vecteurs propres servaient à faire des matrice triangulaire (orthonormalisation d'une matrice).
Donc je me dit que cela peut être utile pour restructurer des données. L'image qui me viens en tête c'est dans the Dark Knight, quand Bruce Wayne analyse les données d'une balle éclatée dans du béton pour retrouver le modèle de la balle.
Est-ce une application possible ?
Voici la scène :
czcams.com/video/XkjrbusnTuo/video.html
Wow je me souviens de cette scène aussi ! c'est vers le début du film, il retrouve une emprunte digitale en essayant pleins d'impact du calibre dans des couches de bétons ! :D
Je pense que c'est plus de la Science Fiction que du deep learning (en tout cas il y a 10 ans): trop de hasard dans les trajectoire de balles, chocs avec le béton, dégradation des matériaux, etc.
Oui les vecteurs propres sont utilisés pour la triangularisation. Dans la pratique, un data scientist effectue plutôt un travail statistique. Mais quand on fait de la recherche en Deep Learning ou en IA, alors l’algèbre linéaire est important.
Bonjour Guillaume. Où puis-je trouver cette image afin de travailler avec
Merci pour ces vidéos hyper constructives, je suis cette formation depuis le premier cours, arrivée au 12eme, je pose cette question mais peut-être que j'aurais ma réponse d'ici les prochaines vidéos. Tous nos projets d'automatisation, de gestion de données, de traitements statistiques on les effectue sur des objets dataframes (des gros tableaux xlsx, txt etc...). Je ne vois pas à quel moment dans la vie je peux croiser un tableau array et son utilité (hormis le cas des images présentées dans la vidéo précédentes). Est ce que tout ce qui s'applique sur les tableaux numpy peut 'appliquer sur des vraies datasets (les méthodes de concaténation, d'indexing, opérations mathématiques... ?) merci pour votre réponse :)
completed standardization exercice
Bonjour, premièrement votre chaine est incroyable, merci beaucoup pour votre investissement.
A 13:30 tu remplace les valeurs à la place des index qui ressortent le plus dans notre tableau, si j'ai bien compris… Cependant les valeurs ne varient pas, est-ce une coïncidence ou est-ce moi qui ai mal compris?
Merci beaucoup pour ces vidéos, j'ai beaucoup appris en peu de temps!
J'avais une question sur l'exercice de l'image : est-il possible de faire du boolean indexing avec plus qu'un paramètre? Je voulais par exemple passer à 0 les éléments dont la valeur est inférieure à 50, et passer à 255 les éléments supérieurs à 200.
Pour le moment, je ne sais le faire qu'avec 2 lignes, une par critère.
Alors il y en a un oui mais je ne le connais plus par coeur, moi aussi je ferais ca sur deux lignes. Si je veux faire un indexing selon pleins de criteres, je passerais dans pandas, et j'appliquerais une fonction avec apply()
bonjour , j'aimerais savoir si la methode isnan marche seulement pour les numpy et non pour les pandas
pour Pandas utilisez isna().
Bonjour et merci pour cette vidéo. J'ai une question concernant la méthode seed. J'ai crée le tableau avec randint comme vous l'avez fait , bien sur, j'ai trouvé des valeurs différentes à ce que vous avez trouvé. Mais lorsque j'ai ajouté la ligne np.random.seed(0), j'ai trouvé exactement les mêmes valeurs que vous l'avez trouvé. Est ce que c'est normal? Parce que ce que j'ai compris c'est que la méthode seed permet juste de garder les mêmes valeurs crées aléatoirement.
Oui, c'est normal, c'est le générateur de nobre aléatoire qui est fixé sur le réglage 0 (le meme que le mien) donc nous obtenons les memes résultats (on peut dire que c'est du pseudo aléatoire)
Merci Guillaume
J'adore tout ce que tu fais mais par contre pour l'exo tu as zoomé de 1/2 au lieu de 1/4, tu as enlevé 1/4 de chaque coté du coup tu as enlevé en tout 1/2 ^^' t'aurai dû enlever 1/8 de chaque coté
Bonjour,
Merci pour cette super vidéo, très intéressante.
J'aurais une question sur argsort(..), serait-il possible de faire un reverse comme avec sort ?
Merci
Que voulez-vous dire par reverse ?
Slt Guillaume, si de cette façon en fait un zoom, als comment en peut sélectionner une partie d'un photos, j voi que vs avez sélectionné une partie de la photo et oups cette partie est affiché en Grand format....je ne sais pas c'est j'arrive à bon posser ma question...🙄
Bonjour, en réalite ce que j'ai fait c'est juste une sélection de pixels.. c'est un abus de langage de ma part que de dire que j'ai fait un zoom
Petit question! Le résultat sur la matrice 3,3 n'est pas la même que sur ta vidéo, pourtant pour l'exercice final s'est bien les mêmes chiffres,
Est-ce que s'est normale en fonction de l'ordinateur etc.?
Bonjour, oui c'est parce que je n'ai pas utilisé un random_state (je n'ai pas fixé le générateur de nombres aléatoires pour qu'il produise toujours le meme résultat)
Du coup, avec ces calculs matriciels, j'imagine qu'on peut résoudre des sudokus, des calculs d'impédances de quadripoles et d'autres choses funny!
On peut faire tout cela oui ! (et bien plus encore : calcul des éléments finit sur un barrage, etc.)
@@MachineLearnia calculs d'éléments finis? Ya Abacus sur les fichiers dessinés sous Catia qui fait ca! Pas trop mon secteur mais bon...
Catia, Ansys, ... beaucoup de logiciels de CAO offre cela aujourd'hui, mais il peut-etre intéressant de le faire soi-meme dans son programme dans certains projets
confortable confinement avec vous sur cette formation (_). Je souhaite que tu vas bien ainsi que vos proches
Pour le moment je vais bien, merci beaucoup. Prenez soin de vous aussi !
Salut et merci pour tes vidéos.
J'ai un peu de mal à voir dans la doc quel type peut-être utilisé. Par exemple, sur exp si on fait un np.exp(*) comment savoir ce qu'il prend comme paramètre * (une liste, des entiers, float, des ndarray, ou tout autre objet) ?
Merci.
ca fonctionne avec tous les dtypes numériques de numpy (y compris les ndarrays) mais pas les listes
Quand j'utilise la fonction A.sort() ca m'affiche sobrement None
par contre le A.argsort() fonctionne correctement ça correspond a quoi exactement ce None?
C'est normal ! A.sort() trie votre tableau, tandis que A.argsort() vous retourne l'ordre dans lequel trier le tableau. Donc A.sort() retourne None, car "rien" n'est retourné dans la console, c'est juste le tableau A qui a été réordonné dans la mémoire de votre machine. L'explication est claire ? :)
@@MachineLearnia En faite j'utilise jamais jupiter je reste toujours sur spyder et je fais des print un peu partout pour afficher le programme.
Je sais pas si j'ai bien compris ou pas a vrai dire ^^'
T'inquiète je comprendrais a force d'avancer.
Dans un préc"dents commentaire (je ne le trouve plus)
Je te disais que je n'arrivais pas a utiliser les documentations. Ben par exemple celle de numpy ca va elle est plus claire que celle de pytho.
Mais là je me suis dis si j'ai pas de tuto la documentation a elle seule je ,ne sais pas comment utiliser les fonctions nouvelles malgrès tout.
J'imagine que c'est une partie de la formation metier de programmeur informatique (jsuis juste ingenieur mechanique moi et la programmation ça remonte a bcp trop loin)
Je pense quand même qu'un tuto vidéo spéciale "comment aborder une documentation complexe et apprendre a utiliser des fonctions inconnue pas a pas" serait pas m'al (titre a revoir pour la vidéo xD)
Encore bravo pour tes vidéo j'ai partagé a pleins de collègues qui m'ont dit qu'ils allaient s'y mettre aussi vu l'enthousiasme que j'ai au travail :D
@@Siamon34 Bonjour, j'ai eu le mm souci, et suite à la réponse de Guillaume je viens de comprendre : en fait la différence c'est que la méthode sort modifie directement le tableau A et n'est pas censée retourner un résultat, si tu veux visualiser le résultat tu peux utiliser ce petit code :
import numpy as np
B=np.array([3,1,2])
print(B)
B.sort()
print('
sorted:')
print(B)
hello
please I don't have Numpy module "ModuleNotFoundError: No module named 'numpy'" how to solve it
Hi, you need ton install Numpy using PIP (add it to your path or in your virtual environement)
Bonjour, tout d'abord, un grand bravo pour le travail et l'investissement pour ces vidéos, qui sont vraiment bien faite et surtout vraiment bien expliquées !!!
Merci beaucoup de nous partager ce savoir, et tout ça, gratuitement ;)
Mais j'aimerais, si possible, avoir une liste des notions mathématiques nécessaires pour se lancer dans le machine learning.
Je ne suis pas allé très loin à l'école, et j'aurais besoin de séances de rattrapage en ce qui concerne les maths.
Donc j'aimerais pouvoir donner cette liste à mon ami prof de math pour qu'il puisse me fournir les cours nécessaires, et que je puisse continuer à suivre ta formation sans être larguer au fur et à mesure où j'avance.
Merci d'avance ;)
Merci Guillaume pour vos videos.
Puis je savoir comment apprendre latex avec Jupyter ?
Merci
Bonjour. Pour écrire des expression Latex dans votre notebook il faut mettre votre expression entre $ $.
Par exemple voici une petite expression : $\sum x - y$.
Je vous conseille d'utiliser un éditeur Latex pour vous simplifier la tache. Ecrivez simplement dans google "Latex Generator"
En fait ce sont des dolars ?
Sisi ça à bien marcher mais puis je avoir un lien de video ou document pour pouvoir apprendre latex.
Merci pour votre aide encore une fois.
Est-ce que on utilise uniquement num py, quand est il de pycharm
Ma proposition a l'exercice:
Avec une valeure de zoom modifiable (j'ai voulu mettre un imput au début mais la flegme :D)
import matplotlib.pyplot as plt
from scipy import misc
face = misc.face(gray=True)
# imput de zoom
valzoom = 0.25
# fonction zoom
face = face[int(face.shape[0]*valzoom):int(face.shape[0]*(1-valzoom)) , int(face.shape[1]*valzoom):int(face.shape[1]*(1-valzoom))]
# balance des Blancs&Noirs
face[(face>225)]=225
face[(face
Bravo pour cette réponse, elle est valide ! (je conseille de regarder la réponse que je fournie dans la vidéo suivante, qui est un peu plus condensée)
@@MachineLearnia Déjà j'essaye de comprendre l'exercice de standardisation. Même l’énoncé je galère là xD :))