Avoir une formation de cette qualité et gratuite, c'est quand même dingue. Un grand merci pour votre travail.

Merci beaucoup

Pour cette partie maths, je recommanderai de commencer un peu plus simple notamment pour le gradient. Un truc qui permet de bien comprendre je trouve c'est un "computational graph" très simple, pour montrer comment le delta d'une variable d'entrée se "propage" dans les couches intermédiaires et finales, puis comment on peut "remonter" avec les dérivées. Andrew Ng a une très bonne explication dans sa spécialization "Deep Learning" sur Coursera (si besoin d'inspi) En dehors de ça FIDLE c'est toujours aussi génial ;)

Très bien expliqué. Je suis allé lire cette Article, c'est très intéressant.

Bonjour, merci pour la clarté de vos explications. Une question SVP, au niveau des RNNs, est-ce que la sortie Y(t) va avoir tjrs pour taille, le nombre des neurones du recurrent layer. Merci d'avance.

53:16 : Multimodal LLM

This channel is a gem, thank you.

C'était digérable, cher ATIM 😁

Merci beaucoup pour cette séquence... tout est très clair !👍

Merci beaucoup

Super ! Merci !

Ah génial.. 😁. c'est non seulement très clair, mais en plus j'ai compris ce qui clochait avec tous mes modèles CNNs. C'est dans la dernière couche "fully connected". Je travaille avec des spectrograms, des ondelettes (scalograms), ampllitude et phase... plusieurs couches. Et puis je me demandais comment on pouvait visualiser les erreurs ... c'est vraiment très clair. Merci beaucoup. Je vais regarder vos autres vidéos. Xoxo du Canada.

Merci énormément pour cette, enfin je comprends les CNN

Merciiiiii beaucoup

Une video avec SVM stp

C'est vraiment top!

Cool! 👍

super vidéo ! explications très claires :)

Merci pour cette présentation.

Un grand merci pour votre vidéo, j'ai compris beaucoup de choses grâce à vous. Bravo à toute l'équipe de Fidle ! J'ai écrit mon mémoire de Master qui traite en partie des modèles Transformers, je me suis beaucoup inspiré de vos schémas et de vos explications pour sa rédaction. Au plaisir de vous suivre, je vais partager votre chaine avec mon entourage.

Cette vidéo est super bien expliquée. J’ai personnellement tout compris, aucune interrogation. Un immense merci pour ce travail et cette pédagogie. Vous êtes trop fort.

Super, les gars! 👍 Même comme au finish, personne ne s'est présenté 🤣

J'ai l'impression qu'il y'a un problème avec le nombre de neurones pour les couches denses sur votre schéma à 50:33 ? Ce n'est pas cohérent avec la taille des matrices Q et K que vous affichez après. Il me semble que les couches denses devraient avoir seulement deux neurones Sinon très bonne vidéo merci beaucoup !!!

Bonjour, j'aimerai partager une petite doc d'installation Docker pour les utilisateurs Mac Mx mais je ne trouve pas de point de contact sur le site fidle. Est ce que vous seriez intéressé par la création d'une image Docker pour archi arm64 ou bien que je vous partage le Dockerfile modifié que j'ai utilisé pour build l'image ? Je pense que ca pourrait en aider plus d'un. C'est pas top de devoir installer tout ca sur sa machine, une image docker est quand même bien plus simple. Merci

Superbe présentation simple et claire de notions complexes.

Merci

Merci !

Pour l'image les resnext ne sont plus aussi bon que les transformers? Il y a deux ou trois ans, un papier disait que les resnext faisaient aussi bien

Bonjour, comment est paramétré le 50% de data d'entrainement et 50% de data de test ? Pourquoi pas 70%/30% ou même 80%/20% ? Merci pour ces séquences précieuses.

C'est très bien expliqué. Félicitations sur la partie entraînement.

Vidéo vraiment très bien expliquée. Félicitations à vous !

Merci pour la formation !

Merci pour cette présentation.

Merci pour cette vulgarisation. C'est clair et propre.

Cette série est toujours aussi géniale, bravo ! En ce moment on entend beaucoup parler d'une alternative aux réseaux transformers, une alternative qu'on appelle MAMBA, est-ce que vous envisageriez de faire un épisode bonus sur cette architecture ?

Merci beaucoup ❤

Très bonne explication. Par contre tu dis trop "du coup"

Svp est-ce que je peux avoir un exemple de programmation en python sur les MIMO massif et nous remercions des cours en ligne aux quels vous nous dispensez un grand merci à vous franchement

Tout d'abord merci. Q1 : Qui a eu l'idée de bruiter une image puis de de la débruiter et ainsi pouvoir générer une image Q2 : Si j'ai bien compris mais je peux me tromper l'itération au coeur des reseaux de neurones par la descente de gradient permet de passer outre la fonction réciproque : f(-1) en exposant Q3: Quelles sont les autres applications du bruitage debruitage Merci

merci infiniment

Est-ce que vous prévoyez une video bonus sur l'architecture MAMBA ?

Bonjour merci pour vos efforts , Il manque la seq 12 svp

ça ressemble beaucoup en RL au réseau de neurones qui apprend d'un système expert

Excellent, merci.

C'est genial, merci beaucoup.

Bonjour. Merci pour votre présentation. Ma question est relative à votre slide 91. J'imagine que comme dans le cas de la régression, la "loss function" est calculée à partir de l'ensemble des observations que contient le dataset (i.e. le nuage de points). Et l'algorithme de descente de gradient (la recherche d'un minimum local) est ensuite appliqué à la loss function résultante. En d'autres termes, sur la slide 91, X est un vecteur de vecteurs de dimension m (le nombre de features) x n (le nombre d'éléments par feature) et la loss function résulte du passage de l'ensemble des données dans le réseau. Dans votre représentation, on a l'impression que la descente de gradient est appliquée pour chaque i E [1, m]. J'imagine que c'est pour cette raison que l'apprentissage est très lourd d'un point de vue computationnel car à chaque itération, on effectue des calculs sur l'ensemble des données. Est-ce que cette interprétation est correcte ? Merci d'avance de votre retour.

Bonjour!! Y'a un truc qui me dérange un peu. En fait les réseaux convolutionnels ont pour objectif premier d'extraire les caractéristiques des images. Cela dit, les couches denses ne sont normalement pas obligatoires (puisqu'elles font la classification). J'aimerais savoir comment voir les caractéristiques extraites à partir d'un CNN là et si possible appliquer un autre modèle (par exemple régression logistique) pour faire la classification

Très belle série de vidéos

Grande qualité