Tout savoir sur l'ensemble learning - LES MODELES D'ARBRES #7
Vložit
- čas přidán 30. 06. 2024
- Abonnez-vous à la chaîne afin de me soutenir, grâce à votre abonnement vous allez faire grandir cette chaîne et me permettre de créer plus de contenus.
Dans cette vidéo, je vous explique comment marche la théorie de l'ensemble learning. C'est cette théorie, permet de créer les modèles les plus performants du machine learning. C'est d'ailleurs la solution largement utilisée afin de gagner les compétitions Kaggle.
Avoir accès à la formation en ligne :
www.aiforyou.fr/formations-en...
Si vous voulez avoir accès aux codes et aux pdf de cette formation, cliquez sur le lien ci-dessous :
modele_arbre.ck.page/60f78adc8f
Si vous avez envie de me soutenir et m'aider à developper ce projet, n'hésitez pas à regarder des vidéos ou à faire un don sur mon tipeee : fr.tipeee.com/aiforyou
Si vous avez apprécié ce contenu, aimez la vidéo et abonnez-vous à la chaîne afin d'être au courant des prochaines nouveautés. - Věda a technologie
Si vous voulez aller plus loin dans la compréhension de ces algorithmes et avoir accès aux codes et aux pdf de cette formation, cliquez sur le lien ci-dessous :
modele_arbre.ck.page/60f78adc8f
Morgan tu es un héors ! Et je pèse mes mots, tu t'es montré plus efficace que tant d'heures de cours, et pour ça je te remercie. Je te souhaite la réussite que tu mérites, j'espère que le temps s'en chargera. Encore merci
Wahou ! Merci Cheh pour ton commentaire très positif.
Je travaille beaucoup sur les exemples afin de rendre le contenus fluide. Je suis content que mes vidéos te plaisent, n'hésite pas à les partager afin de les faire découvrir par le plus de monde possible 😋
@@AIforyouMorganGautherot je trouve déjà tes exemples très parlant, que la sagesse de la foule par exemple c'est si simplement expliqué. Je ferai ta propagande dès que j'en aurai l'occasion ahah !
@@XT0XT0X merci beaucoup !
J'espère que les prochaines vidéos te plairont tout autant 😋
Merci !
De rien 😋
Bonjour Morgan,
Félicitation pour tes vidéos elles sont très claires.
Le débit de parole est très bon et les exemples très bons aussi.
Merci beaucoup, ça fait plaisir d'avoir des retours positifs, ça motive pour continuer !
Bonjour Morgan,
J'ai déjà vu un de tes meetups avant confinement
J'ai des bonnes bases mathématiques et en programmation mais j'ai dû mal à savoir comment me lancer dans le data science est ce que tu aurais des conseils ?
Merci d'avance,
Bonne journée et continue tes vidéos elles sont vraiment biens
Hello Thomas,
Merci de participer aux meetups, j'espère que tu avais bien aimé le concept. Vivement la fin de la crise sanitaire que les événements puissent reprendre.
Déjà avoir de bonnes bases mathématiques et informatiques c'est essentiel, l'apprentissage sera moins long. Je te conseil soit de suivre un mooc qui te guidera et qui t'apprendra les compétences de bases pour la data science soit de suivre un livre qui fera pareil.
Si tu veux en apprendre plus sur le deep learning, je te conseil de rejoindre notre master class fast.ai. C'est une masterclass sur le deep learning avec le framework fast.ai sur Lille, où l'on aide ceux qui le veulent à apprendre à utiliser le deep learning et fast.ai, et c'est gratuit.
Merci pour ton soutien, ça me fait plaisir.
J'espère te revoir à un prochain meetup.
Bonne journée.
Bonjour,
Oui c'était mon premier meetup mais c'est quelque chose que j'adore et je recommencerai avec plaisir lorsque la situation sera plus stable.
Pour ce qui est des bases mathématiques et informatique je termine ma troisième année d'école d'ingé donc l'algèbre linéaire et la programmation ça va je suis plutôt à l'aise.
Ce que j'ai du mal à comprendre c'est certains livres qui nous parlent de beaucoup de choses comme les tests d'hypothèses, les test statistiques mais je ne vois personne en utiliser sur les Notebook que j'ai vu sur Kaggle, ils utilisent plutôt tout ce qui est visualisation corrélation data cleaning pour ce qui est avant la modélisation exploratory data analysis il me semble.
Je trouve que leur analyse est très primaire au niveau scientifique et qu'ils utilisent plus l'observation ou leur intuition
Alors que je pense que j'ai besoin de me convaincre à l'aide des Maths ^^
fast.ai je retiens merci beaucoup, je compte d'abord regarder les principaux algorithmes avant de commencer le deep learning (je vais d'ailleurs pouvoir consulter quelques de tes vidéos du coup)
Merci beaucoup pour tes réponses
Bonne journée
@@ToToDarKDu59 si tu es à l'aise avec la programmation et l'algèbre linéaire c'est déjà de bonnes bases.
En effet, les tests et les autres outils statistiques sont très utiles mais ne servent pas à la même que le machine learning.
On va utiliser les outils statistiques pour faire de l'analyse de données et mieux comprendre comment les variables interagissent entre elles pour obtenir plus de compréhension. En statistique on va essayait de répondre à des questions bien précises. Par exemple, ce médicament est-il plus efficace qu'un placebo ? La nouvelle opération marketing est-elle plus impactant que la précédente ?
Quand on fait de la modélisation, on a pas forcément besoin de ce niveau de précision. Ce que l'on veut c'est un idée générale de comment les variables interagissent entre elle pour les utiliser au mieux afin de modéliser la variable cible. On va utiliser de la visualisation pour avoir une idée des interactions entre les variables et la corrélation pour chiffrer ces interactions. Le but n'est pas de retirer des connaissances donc affirmer les interactions avec des tests statistiques est une perte de temps, mais visualiser tes données te permet d'avoir des idées que tu pourras tester en modélisant et voir si cette idée est bonne ou non (d'où le côté un peu plus expérimentale du machine learning).
Créer un modèle de machine learning est un processus très itératif, on créé un modèle de base simple et on regarde les résultats. On regarde les données, ça nous donne une idée on test et on regarde si les performances augmente. On implémente chaque idée jusqu'à atteindre la performance souhaité.
Si tu as d'autres questions n'hésite pas.
Morgan