Yes ça été indépendant de notre volonté malheureusement. Il y a eu un problème technique lors du tournage :/

Merci :)

Tu peux me croire ça arrive ^^

@AIforyouMorganGautherot ouai il y a des gens moins bon que d'autres ou alors ils n'ont été dans une bonne formation. D'ailleurs je me demandais, c'est quoi la différence entre un cours d'optimisation et un cours de régression ?(Au final faire une régression c'est faire de l'optimisation sur l'erreur non?)

@@pseudosupprimer8016 Bonne question, dans une régression on a une problématique d'optimisation, mais l'optimisation c'est un domaine mathématique pour faire bien d'autres choses que de la régression.

@@AIforyouMorganGautherot je te remercie pour tes vidéos ça me permet de m'initier facilement à la data science sans trop bosser la théorie(en fait je prends de l'avance car j'en ai marre des programmes de la fac qui ne sont pas adapté, on fait du machine learning qu'en M2 😭😭).

@@pseudosupprimer8016 Effectivement, le programme de la fac n'est pas toujours adapté. Merci pour ton retour ça fait plaisir :)

Merci, ça me fait vraiment super plaisir ce type de retour :)

Ah ah, je suis bien content que ça aide :)

De rien, content de voir que la vidéo sert toujours :)

Ah merci ça me fait très plaisir. Je me suis remis à la production de vidéos régulières ça devrait continuer à arriver dans les prochaines semaines :p

@@AIforyouMorganGautherot pourquoi pas des tutos mlops 😉 j'en ai hâte

En vrai, c'est un truc que j'aimerais bien faire. Faut juste que je trouve le temps de m'y mettre :p

@@AIforyouMorganGautherot Cela aidera énormément de personnes je te souhaite le meilleur mais aussi que tu trouves le temps :D

De rien, merci à toi pour ton retour :)

@@belabbacimohammed5922 Merci pour ton retour

@@belabbacimohammed5922 merci pour ton retour 😋

Ce qu'il faut regarder ce ne sont pas l'expression de Ridge et Lasso mais l'expression de leur dérivé partielle pour savoir ou les coefficients converges. Ridge garde bien des coefficients homogènes tandis que Lasso va faire tendre ceux qui ont le moins d'importances vers 0.

@@AIforyouMorganGautherot D'accord alors la mise a jour des coefficients avec la derivée partielle de l'expression de Ridge est w_j = w_j - α* coût - λ*w_j et avec la derivée partielle de l'expression de Lasso est w_j = w_j - α* coût - λ*signe(w_j). La pénalité Ridge, met a jour chaque coeff en fonction de sa taille et de l'inverse de son signe fois un λ . L'ajout de - λ*w_j a l'expression de base ne prend pas en compte les autres coefficients w pour homogénéiser chaque w_j en fonction des autres w. J'aurais parlé d'homogénéité si c'etait - λ*mean(w) qu'on avait. Pour la pénalité Lasso, on met a jour chaque coeff en fonction de l'inverse de son signe seulement, donc si wj est positif, on va le diminuer de -λ et si wj est negatif, on va l'augmenter de +λ, il n' a donc pas de penalité pour des coefficients w plus petits que d'autres.

PS : Je ne remets pas en question ce que vous dites car je l'observe bien en affichant les valeurs des coefficients dans les notebooks de regression logistique et linéaire pénalisée avec sk learn (on a bien avec Lasso de plus en plus de coeff nuls en augmentant alpha et avec Ridge un ensemble de valeurs plus homogène). C'est uniquement mathématiquement que je ne comprends pas comment ca se produit.

Effectivement, je me suis trompé ici ^^

Merci :)

Merci :)

Ce sont les MSE calculer entre le vrai prix des appartements de ce node et la moyenne des appartements dans ce node.

Yes, j'avais loué un studio, malheureusement il y a eu un problème avec les micros :'(

Oui, j'y ai pensé mais étant donné que c'est plus complexe à utilisé, je ne l'aurais utilisé que si les techniques classiques n'auraient pas fonctionné.

@@AIforyouMorganGautherot Bonne réflexion !

@@ahmedayed6027 Merci :)

Oui, exactement !

Merci :)

Oui, problème de son mais j'espère que le fond est bon :)

Oui, cette méthode peut être appliqué :)

La question du télétravail n'influence par la marge mais peut influencer le TJM. Si on recherche le télétravail on peut faire une concession sur le TJM pour l'obtenir. Si le client veut du full présentiel, on peut accepter en échange d'un TJM un peu plus élevé.

Effectivement on a eu un problème de micro pendant l'enregistrement :''(

Merci c'est gentil :)

Oui, j'ai pas mal de conseils que je partage gratuitement sur ma newsletter. N'hésitez pas à la rejoindre : modele_arbre.ck.page/c7a36bf71f

@@RayanKanekyrafanomezantsoa Merci

@@yacinehm1296 Non, pour un même batch on a les mêmes résultats. Par contre, deux entraînements peuvent converger vers des endroits un peu différent dépend de l'initialisation aléatoire des poids du modèle.

Je n'ai pas de lien en tête, mais les explications via Wikipédia et Sklearn sont pas mal

Tu peux retrouver les codes via le lien en description :)

@@AIforyouMorganGautherot Merciiii c'est vu

@@spider279 Top, enjoy !

Merci pour la remarque :)

C'est-à-dire moins en moins en fonction ? Je ne pense pas avoir bien compris.

De rien, content si ça a pu t'aider :)

Je n'ai pas eu le temps de créer un format en ligne. Par contre, tu peux accéder aux documents de la formation si tu le souhaites :)

If I had infinite time, of course I would ^^

@@AIforyouMorganGautherot I really hope you find the time for it. From what I can see, it looks like your explanation is very good and covers the topic extensively. It seems like you make it simple to understand. Your videos should be international I hope you make machine learning videos using the R programming language, specifically tailored for beginners. Start with the basics, such as what machine learning is, and the difference between supervised and unsupervised learning. Explain simple concepts like linear regression, decision trees, and clustering. Include fundamental topics like Frequent Pattern Mining, Feature Spaces and Distance Measures, and the Basics of Clustering with a focus on k-means Clustering. Move on to Basics of Classification (covering Hypothesis Space, Bias, Generalization, and Evaluation) and k Nearest Neighbor Classification with both geometric and probabilistic interpretations. Introduce the Bayesian Framework of Learning (including Maximum Likelihood Hypothesis, MAP, MDL, Bayes Optimal, and Naïve Bayes), and expand on Bayesian Learning Methods, both Parametric and Non-Parametric. Also, delve into more advanced topics like Density Estimates and Density-based Clustering (both Flat and Hierarchical), Outlier Detection, and the differences between Linear and Non-Linear Separation (covering Decision Trees, Neural Networks, and Support Vector Machines). Show step-by-step how to implement these techniques in R, using beginner-friendly packages like caret. Include lessons on how to prepare data, choose the right model, and interpret the results. Also, cover how to avoid common mistakes like overfitting. It would be great if you could explain concepts like cross-validation, feature selection, and basic model evaluation metrics, such as accuracy and precision. Your videos should be accessible and help beginners gain a solid foundation in machine learning with R.

@@abidichakib148 je vais regarder ca

@@AIforyouMorganGautherot Merci beaucoup

Ah ah, merci :)

Merci, c'était beaucoup de travail !

Ah ah merci :)

De rien, c'était un plaisir :)

Merci pour ton retour, ça fait plaisir :)

Ha ha, merci, ça fait plaisir :)

Je n'ai pas compris :)

De rien, c'était un plaisir de créer cette vidéo

De rien, content que ça t'ai servi :)

J'ai commencé tranquillement en décembre il me semble et j'ai fini ça vers février. Après je n'étais pas en temps plein sur le sujet :)