Comprendre les LSTM - Réseaux de neurones récurrents

[@raphaelt1000]

Très clair merci, référencement en tête des vidéos LSTM mérité. Un petit complément sur la backpropagation dans les cellules LSTM aurait peut-être pu compléter le tout

[@user-et8es9vg5z]

Merci beaucoup. Cette notion est clairement plus difficile à saisir que les RNN mais grâce à tes explications très claires je pense avoir compris.

[@Spartan34Crafticraf]

très bonne vidéo pédagogique ! un commentaire pour la mettre en lumière pour d'autres personnes en recherche de vidéos pédagogiques de qualité sur le sujet

[@Widium]

Slt , Merci Beaucoup pour cette très claire vulgarisation des LSTM, c'est vraiment très bien expliquer ! Merci encore pour tout ton travail, et la qualité d'information partagée.

[@yacinebenaffane6535]

Enfiiin je comprend les LSTM. Merci ! Une video sur les transformers serait aussi intéressante ^^

[@romainl3591]

Quelle pédagogie ! C'est vraiment très bien expliqué. Bravo pour ce travail de qualité !

[@djamilatoudiallo3583]

meilleur cours sur les LSTM Merci beaucoup

[@alainrieger6905]

T'as mieux expliqué les LSTMs que Andrew Ng. Merci pour ton partage!

[@guygirineza4001]

J'ai pas fini ta vidéo mais je tiens déjà à te remercier de ce que tu fais !! Tes explications sont simples et concises ! J'adore ca, merci bcp !

[@mehdi5753]

Je viens de terminer la formation de andrew NG sur les LSTM j'avais quelque flou a propos de ça, en regardant ta vidéo j'ai pu combler mes lacunes a ce sujet. Bien joué.

[@botanahmad9016]

Un mot a dire: excellent.

[@youssefelajraoui2576]

très bien expliqué. Merci

[@jean-marclaferte443]

Thibault, si tu lis encore les commentaires : merci pour cette vidéo qui m'a aidé à comprendre les LSTM. Deux remarques bienveillantes et constructives toutefois : pense à rappeler que tu parles de la multiplication numpy de vecteurs (ie membre à membre) et non d'une multiplication mathématique de vecteurs qui n'existe pas ! Par ailleurs mais c'est plus anecdotique j'en conviens, je pense que ce serait plus clair si tu évitais oralement certains termes anglais ou abréviations (exemple : biais et non "bias" avec une prononciation pas intuitive, tangente hyperbolique et non "tanh"). Bravo pour le reste 🙂

[@thibautsaah3379]

Merci vous m'avez vraiment aidé à comprendre les bases du LSTM!

[@mountassirkh2759]

C'est grandement instructif. Merci !

[@fadiaferarha4932]

Merci pr la vidéo !

[@ilyeszemalache2348]

Lerci beaucoup beaucoup mon frère tu expliques très bien

[@GetUserId]

incroyable tes vidéos !

[@zinebgarroussi5059]

Excellente video sur les LSTM.

[@crabulin]

C'est très clair, merci :)

[@naimsouni4428]

vraiment top comme video ! thanks :)

[@sachadu779]

Franchement tu gères à fond merci beaucoup

[@searchof2887]

superbement explique

[@rodklv8564]

Bravo et félicitations Thibault, ne change rien ! En retour ce fan te conseille burning man ;)

[@kidam999]

Les meilleurs explications merci

[@davidniddam9869]

Tres Clair , merci

[@profeskills768]

Bravo ! C est trop bien expliqué :)

[@bersalimahmoud6732]

Trés bonne explication, Merci beaucoup pour vos efforts et Bonne continuation.

[@benaissaahmed4692]

Bravo et mille merci, tres clair et tres bien explique.

[@yaminadjoudi4357]

merci bcp, j'espère voir une vidéo sur les MNNs (Modular neural networks)

[@stedlg]

Vraiment excellent ce cours, merci beaucoup !

[@moussabamba6216]

tu es génie, merci encore

[@dzlcrd9519]

Super bien expliqué

[@franckmennereuil3028]

Très bien expliqué ! Merci

[@mustaphag.b.d7758]

Merci, bien explique

[@chadhamhalla7310]

C'est excellent! Merci :D

[@brahimdarham8001]

GéNIAL !!

[@Lumi265]

1) Les matrices pour l'étape d'oublie, d'ajout et de sortie sont donc toutes des matrices (9,5) mais pour chacune on attribue des valeurs aléatoires différentes ? 2) quant à C lors de la partie sortie il s'agit de l'addition de la mémoire obtenue dans l'étape oublie + celle dans l'étape ajout ? 3) dernière question comment fonctionne le t0 ? avec C-1 = vecteur nulle ? En tous cas merci d'expliquer avec tant d'explication ça rend le sujet vraiment abordable

[@hamadoumossigarba1201]

Bonjour et merci pour la clarté de ce cours. Je voudrai si possible savoir si on peut avec cette technique LSTM créer un système d'enregistrement, d'identification et de gestion de terminaux mobiles à l'aide de deux catégories de codes et d'une valeur fixe? Si oui, existe-t-il un survey sur cette préoccupation?

[@alvineteubo-ld9re]

Bravo merci beaucoup je comprends vraiment 🙏 stp as-tu fais une vidéo sur le backpropagation?

[@bernardotod9962]

Pourriez-vous me dire svp quel logiciel utilisez vous pour la représentation graphique/schéma des réseaux ?

[@sahibkhouloud8670]

Merci bcp ❤

[@loubnafares929]

merci beaucoup pour cette explication , une petite erreur (min 13:26)la matrice Wf doit être de taille (5,9) et non pas de (9,5)

[@sofiamabrouk-v3t]

merci!!

[@science_electronique]

tres simple explicaion

[@bibulus0]

Excellent vidéo. Cependant j'ai du mal à voir comment les gains de toutes ces matrices sont entrainés comparés à un réseau feedforward. Un prochain vidéo :) ?

[@ismailelabbassi7150]

Merci c'est bien expliqué. mais j'arrive pas saisir la relation entre la mémoire et le vanashing/exploding gradient.

[@aminearbouch4764]

Salut thibaut, merci pour la video. STP comment je peux utiliser un graphe qui figure sur la video, biensur que en te citant dans mon etude

[@LUCAMARRADI-ii6gp]

Top :)

[@emoloic8481]

Merci

[@mado6432]

merci !

[@jackympoy7]

Merci pour ta vidéo, qu'est ce que représentent les 5 valeurs du vecteur Ct ?

[@LaZaR92250]

Très instructif et très pédagogique (la qualité des slides aide énormément ^^) Par contre, j'anticipe peut-être le sujet d'une prochaine vidéo, mais comment fait-on pour paramètrer ce genre de cellules ? Merci encore pour ce travail pédagogique qui arrive à enlever la "magie" derrière les technologies à la base de l'intelligence artificielle.

[@ThibaultNeveu]

En utilisant de la backpropagation, chaque matrice W et les bias b montré vont être modifié pour converger vers une solution. J'en parle dans ma série sur le deep learning.

[@LaZaR92250]

@@ThibaultNeveu Une retro-propagation classique fonctionne donc ... ça doit pas être simple à mettre en œuvre à la main mais certain framework doivent faire ça je suppose ? Il faut donc avoir plusieurs, un pour chaque pas de temps ?

[@ThibaultNeveu]

Non, un seul en réalité, car le calcul réalisé à t+10 par exemple dépend de t+9 qui dépend de t+8 qui dépend de ..... t. Donc par la rétropopagation un seul optimizer suffit pour optimiser la même céllule qui est utilisé sur toute les steps, et ainsi faire en sorte que à chaque step la céllule est bien une représentation et une série d'opération (foget gate, input gate, output gate) qui lui permette de faire la bonne prédiction.

[@mehdihellou4173]

Un grand bravo pour ta vidéo, avec des explications très claire. Penses-tu que dans un avenir proche il serait possible de faire une vidéo sur les Memory Network, qui est une version amélioré des LSTM ? Encore un grand bravo pour ta vidéo et continue comme ça !

[@ThibaultNeveu]

Je prend note, c'est vrai que les memory network sont super intéressant!

[@alainrieger6905]

est ce possible davoir une video sur le modèle transformer du papier "attention is all you need". Merci a toi bon courage!

[@ghizlanechtouki]

merci

[@keichan0505]

Excellent travail, comme toujours :). Est-ce la prochaine video traitera de l'apprentissage de telles cellules ?

[@ThibaultNeveu]

Ça va venir oui, il y a un gros programme que je prépare pour le mois prochain :)

[@keichan0505]

@@ThibaultNeveu un gros programme? J'ai hate :)

[@jonathanndamba3661]

Top

[@kouagnybeliessouclementgue8]

Merci beaucoup pour vos explications. Mais est-ce possible d'avoir une ou des vidéos sur les GAN ?

[@ThibaultNeveu]

C'est dans la roadmap!

[@kouagnybeliessouclementgue8]

OK

[@pedrocolombino3266]

Merci bcq pour la vidéo, c‘est très utile. A 4min22, est ce que la matrice de poids W pourrait avoir une taille 4X3 ou obligatoirement 3X4.

[@Maarx]

Super vidéo on comprend facilement grâce aux illustrations ! Je me demandais seulement : est-ce que la taille du vecteur de mémoire de la cellule doit être égale à la taille du vecteur de sortie ?

[@mmdrlolfr2612]

Je réponds à cette question pour les prochains lecteurs mais je ne pense pas que la mémoire soit de même taille que l’output. Pour n’avoir par exemple qu’un output avec une matrice de 5 valeurs, on pourrait implémenter à la fin une couche pour relier chaque valeur de la mémoire à la sortie. Reprenez moi si j’ai faux. ;)

[@Maarx]

@@mmdrlolfr2612 Alors, 3 ans de PyTorch plus tard je peux répondre à moi-même du passé : ce qu'on fait en pratique c'est qu'on ramène le hidden_state de la dernière couche LSTM à la dimension souhaitée grâce à une projection linéaire.

[@imenekhalifa9344]

merciii beaucoup pour cette vidéo vous explique bien ! avez vous un email . je suis en train de faire ma mémoire de recherche qui s' intérésse sur le deep learnig pour prédir la tendance du prix d'un indice bourcier avec analyse numérique(prix de l'action ) et une analyse textuelle (analyse de sentiment) . je suis dans la phase de modéliser le modele avec le logiciel Matlab .Si je trouve un probléme ou une tache pas claire je peut vous contacter par email ?

[@ThibaultNeveu]

Salut, as-tu rejoins le discord pour parler de ton projet ?

[@ahlembougattaya5467]

merci beaucoup pour cette explication est ce que tu peut me donne le diapo de présentation s'il possible et mrc

[@ThibaultNeveu]

docs.google.com/presentation/d/126o9uafLcWUP6UHvffmrUxgmbIdoWXcj31ALDHK8baQ/edit?usp=sharing

[@ahlembougattaya5467]

@@ThibaultNeveu merci beaucoup

[@cesarus2780]

Bonjour, Quelqu'un peut me dire comment on set le nombres de cells d'un LSTM? Merci

[@kamalagourram3709]

MERCI DE M'ENVOYEZ VOTRE E-MAIL

[@hamadoumossigarba1201]

J'allais écrire, .... un système centralisé, ...

[@WahranRai]

Il oublie peu à peu son français : un biais, une couche, un produit scalaire, tangente hyperbolique, une sortie etc...

[@nizarelhilali903]

L3zzzz Biiik Awld Mimty 3ajbny Lah Yj3l Rby y7n 3lk alfrda

[@sarahyounes2624]

Merci, une vidéo tres claire.