Trés prochainement

Email me

Non, il n'est pas toujours nécessaire de passer par le transfer learning avant de faire le fine-tuning, mais c'est souvent une approche efficace. Le transfer learning consiste à utiliser un modèle pré-entraîné sur une grande quantité de données, puis à l'adapter à une nouvelle tâche en effectuant un fine-tuning. Cela est particulièrement utile lorsque l'on a peu de données pour entraîner un modèle à partir de zéro. Toutefois, dans certains cas où l'on dispose de beaucoup de données spécifiques ou si la tâche est très différente de celle du modèle pré-entraîné, on peut directement entraîner un modèle sans avoir recours au transfer learning.

@@ProfSabri Merci beaucoup pour vos explications.

Bonjour. Est ce que le code est exécuté sans problème? Tu m'envois un email avec plus de détails ; screenshots...

ton projet m'interesse peut-etre

Bonjour. Tu peux envoyer un e-mail à abdelouahed.sabri[at]gmail.com

F46. ,0😅

La majorité (pour ne pas généraliser) des problèmes réels ne sont pas linéaires. Par exemple, dans la classification, les données sont souvent non linéairement séparables. Alors, les fonctions d'activation non linéaires permettent de résoudre ce type de problèmes en introduisant de la flexibilité dans la manière dont le réseau traite les données. Cela permet au modèle de mieux généraliser et de s'adapter à des tâches complexes. D'autre part, si toutes les couches d'un réseau de neurones utilisaient des fonctions d'activation linéaires, peu importe combien de couches sont ajoutées au réseau, le modèle final se réduirait à une seule transformation linéaire.

Hello. You can email me at [email protected]

I have a problème too , statut fail howa Can resolve this pls

Bonjour. Tu m'envoies un email à [email protected]

if faut convertir le label qui contient les output et faire une dataframe en ajoutant une nouvelle colonne qui contient le resultat de cette output ¸

Bonjour. Il faut regarder les deux premières parties kzbin.info/www/bejne/iXPCn6Chd5dkmdE Et kzbin.info/www/bejne/b6GadquhgJeIfaM

Bonjour. Tu peux utiliser la moyenne des prédictions comme approche simple. Ou bien, faire une pondération des deux. Ou même utiliser le random forest pour combiner les prédictions des deux modèles.

Merci bcp prof pr votre retour, j'ai essayé les deux premières suggestions mais ça n'a pas amélioré mon modèle.. Je vais essayer nchallah le random forest. Est ce que je vais l'appliquer sur la combinaison des deux predictions issues des deux modèles ( lstm et prophet). Et merci encore une fois