Tensorflow et l'apprentissage profond, sans les équations différentielles (Martin Görner)

Рет қаралды 75,054

7 жыл бұрын

Google a récemment publié son framework d’intelligence artificielle appelé Tensorflow. Avec ce nouvel outil, l’apprentissage automatique franchit le pas entre la science de laboratoire et le métier d’ingénieur. Dans cette session, nos vous monterons comment choisir la bonne architecture de réseau de neurones pour votre problème et comment bien gérer son apprentissage. Savoir résoudre des équations différentielles n’est plus nécessaire. Des problèmes difficiles comme la reconnaissance de l’écriture manuscrite peuvent maintenant être résolus avec quelques lignes de Python/Tensorflow et une collection de trucs & astuces d’ingénieur. Cette Université s'adresse à tous les développeurs qui souhaitent entrer dans le monde des réseaux de neurones en 3 heures intenses mais accessibles. Elle couvre les réseaux denses, convolutionels et récurrents.

Пікірлер: 27

@williamdroz6890 7 жыл бұрын

J'ai envoyé cette vidéo à tous mes collègues. C'est vraiment agréable cette façon de présenter (et en plus en FR!).

@casierdavid 6 жыл бұрын

Excellent ! Merci Martin (et l'équipe, derrière, on sent qu'il y a du travail) !

@basumbintwal 5 жыл бұрын

Merci Martin Gornet, vidéo fait avec professionnalisme . Tu maîtrises le sujet, on le voit

@boubacartraore9888 6 жыл бұрын

"Eh là, on est dessus de 99% de précision, YES !" (cf. 1:05:17), ça méritait une bonne bouffée d'air dans la salle :D xD ! Bravo pour la présentation, je recommande vivement la vidéo aux matheux qui débutent avec les réseaux de neurones ! Merci encore !

@leogout2164 7 жыл бұрын

Merci beaucoup pour cette vidéo ! J'ai regardé la version anglophone mais dans ma langue maternelle c'est quand même vraiment plus confortable.

@walydiallo5865 4 жыл бұрын

Merci Mr Gorner excellent travail, merci infiniment.

@sgrouge 6 жыл бұрын

Super vidéo j'ai mieux compris les mécanisqmes de tensorflow et ce qu'il permet de faire, très bonne présentation sur les 3 réseaux principaux ANN, CNN et RNN. Je n'ai juste pas bien compris le passage sur LSTM mais aucune importante à ce niveau de découverte. Merci Martin Görner. Merci beaucoup.

@WahranRai 6 жыл бұрын

Tres bonne video.Jusqu'à 29:00 Il fallait peut être expliquer comment le multiperceptron apprend en metant à jour les poids via la backpropagation de l'erreur ( comme on vous aviez bien explique le feedforward).

@jeeve 6 жыл бұрын

Super présentation. Une excellente introduction par la pratique. Merci !

@sorymillimono5931 3 жыл бұрын

Merci beaucoup , une excellente explication

@hindlamharhar 4 жыл бұрын

Excellente présentation

@bwakamabe 6 жыл бұрын

J'aurai payé pour avoir cette introduction par la pratique merci Martin

@yedjour63 6 жыл бұрын

Very interesting

@morniang3845 5 жыл бұрын

@Martin Görner est-ce qu'on peut avoir le document en PDF ou PowerPoint

@novagogie 5 жыл бұрын

bonjour serait-il possible d'activer les sous-titres svp. nottament pour avoir les sous-titrage automatiques pour pouvoir vous lire et mieux comprendre certains mots et prendre le temps de comprendre ce qui est dit. Merci

@frederictost6659 6 жыл бұрын

Super vidéo ! Pour information à 1:18:45 il me semble que la fonction sigmoïde est entre [0 et 1] et pas [-1 et 1]. D'où l'activation entre [0 et 1] avec une belle répartition en cloche (moyenne à 0.5).

@MartinGorner 6 жыл бұрын

Oui en effet ! Je voulais dire entre 0 et 1 bien sur. Par contre la moyenne n'est pas forcément à 0.5. La batch norm n'est pas juste une normalisation. Elle place les logits dans la partie utile de la fonction d'activation mais ne supprime pas forcément totalement la moyenne ce qui serait dommage si cette moyenne contient de l'information utile. Le terme "beta" dans l'équation sert à ça.

@philippegaucher8823 6 жыл бұрын

Présentation intéressante et bien faite, très claire. Mais il faut noter que le texte shakespearien généré par le réseau de neurones ne veut rien dire. Pareil pour le texte d'algèbre (qui en fait voudrait ressembler à de la géométrie algébrique) qui ne signifie rien. A ce propos, le diagramme n'est pas de la physique quantique mais est supposé être un diagramme en algèbre homologique qui ne signifie absolument rien. Les réseaux de neurones sont intéressants car ils permettent à partir d'un corpus de connaissance d'interpoler et de faire faire des progrès remarquables par exemple à la reconnaissance de caractères ou à la reconnaissance d'images. Et je vois qu'il est maintenant très facile d'en fabriquer. Mais, en tout cas, on est encore très très loin d'une intelligence artificielle. On n'a pas l'impression que le réseau de neurones comprend vraiment ce qu'il fait :-). Il interpole par contre de façon bluffante.

@043mehdi 6 жыл бұрын

Request to French speakers, Can you guys add subtitles please

@emmanueljean9494 6 жыл бұрын

The same lecture exists in Enflish version

@mohamedghorbel8364 5 жыл бұрын

Bonjour à tous, j'aimerai reproduire ces deux exemples de réseau de neurones (RN simple et récurent). Qui peut me conseiller sur le matériel informatique idéal qu'il faut avoir car je dois me ré-équiper . Egalement je cherche le lien vers les codes sources. Merci d'avance.

@MartinGorner 5 жыл бұрын

Aujourd'hui, le mieux est d'utilise Colaboratory. Le materiel est fourni avec, meme des GPUs at TPUs et c'est gratuit.

@KokonotesChannel 6 жыл бұрын

Merci pour cette video très bien expliquée, cependant ça ouvre les yeux sur les possibilités futures de l'apprentissage profond, les ordinateurs pourront un jour créer eux mêmes leur propre code, au moment où ils deviendront leur propre créateur, ce sera le début de la fin de l'humanité....

@KokonotesChannel 5 жыл бұрын

je n'ai pas trouvé le bonton ON/OFF d'internet ;)

@marolahyyounoussaaugustin7279 4 жыл бұрын

Pouvez m'envoyer le livre version numerique "L'apprentissage profond" par Yoshua Bengio, Aaron Courville, Ian Goodfellow s'il vous plaît. merci! (marolahyyy@gmail.com)