PROGRAMMATION d'un NEURONE ARTIFICIEL (DEEP LEARNING 5)

[@naceurzakhama2418]

La qualité de votre travail est indéniable. Les vidéos et les animations que vous avez créées étaient non seulement visuellement attrayantes, mais elles étaient aussi riches en contenu informatif. Chaque détail a été soigneusement élaboré, et cela se voit dans le résultat final. En suivant ce cours, j'ai acquis une compréhension beaucoup plus profonde du Machine Learning grâce à votre enseignement. Votre passion pour le sujet est évidente, et elle a été contagieuse pour nous tous.

[@georgesiyombe5195]

Une vidéo deep learning parfaite sans l'accent indien. Rare sur youtube

[@MachineLearnia]

Ahah je vois bien ce que tu veux dire ! ^^

[@pascalsimo8968]

🤣 Ca c'est vrai.

[@recorr]

C'est pas sa seule qualité. Loin de là.

[@PascalTovohery]

@Georges On dirait que l’accent indien te dérange

[@Moh8585]

Très bon français au vrai sens du terme ;)

[@hugomartin9314]

Mille mercis à toi pour ta générosité. C'est incroyable d'offrir gratuitement des vidéos de cette qualité ! Toutes soutenues par ta pédagogie sans faille, et une transmission communicative de ta passion.

[@ameldjouadi2740]

Vous êtes incroyable ! Vous simplifier ce qui est complexe! Waou! Chapeau ! Et bravo à vous !

[@mohcines]

Tout simplement la meilleure formation en deep learning sur le net. C'est tellement clair. Bravo Guillaume

[@ouedraogowendeguudialban69]

Je suis tombé amoureux des animations. Quelle pédagogie! 🤩

[@pascalsimo8968]

Excellent, très bien magnifique. 38min et 55 secondes de plaisir. Tu m'as permis de comprendre énormément de choses où j'avais des difficultés 👌🏿

[@MachineLearnia]

Je suis tres content de l'apprendre :)

[@thierryd2410]

Bonjour Guillaume. Encore merci pour cette vidéo. Vous arrivez à rendre simple des sujets tout de même complexes. en claire , c'est du grand art ! J'attends votre prochaine vidéo avec impatience. Bien à vous

[@MachineLearnia]

Merci beaucoup pour ce compliment ! ca me motive beaucoup ! :)

[@MrAupire]

Tu arrives à expliquer quelque chose de complexe tellement facilement c'est dingue !

[@MachineLearnia]

ca fait bien plaisir !

[@aminegc9353]

la pédagogie n'est pas donnée à n'importe qui , tellement il maîtrise extrêmement bien le sujet il lui apparaît très facile à l'expliquer .

[@ibrahimabarry8839]

@@MachineLearnia :)

[@langeo3279]

Une chaîne comme on les aimes, franchement super. Merci beaucoup pour tes partages, rendre accessible ce genres de connaissances est tellement une chance!! Grand MERCI

[@MachineLearnia]

Merci pour le compliment !

[@beldjennaboussad76]

Énorme travail! Pas facile de démistifier un contenu pareil. Toujours le meilleur, merci Guillaume!

[@MachineLearnia]

Merci beaucoup, ca me touche !

[@emmanuelmutabazi2371]

Merci infiniment pour ces vidéos. Au paravant je croyais que je ne peux pas comprendre la mathématique derrière deep learning. Mais grâce à tes vidéos, ça semble facile.

[@faizadoudou4033]

Vraiment c des videos d cours dont je revais réellement dapprendre vous etes prof un cadeau du ciel. C top le detail jamais vu , merci infiniment

[@GasherProdStudio]

Splendide vidéo d'explication d'un neurone artificiel. Claire, précise, expliquée avec pédagogie, la valeur de cette formation est sans limites !

[@philippeaussedat7658]

Merci Guillaume pour le partage de tes connaissances. Le contenu est expliqué de manière très pédagogique, en français, ca faisait longtemps que je cherchais quelque chose d'aussi limpide. Merci

[@MachineLearnia]

Merci pour ton message :)

[@jeremivespuce1531]

Merci monsieur vous êtes très pédagogue c'est un plaisir.

[@recorr]

On trouve souvent des commentaires dithyrambique sur les vidéos de vulgarisation, mais là, c'est de loin ce que j'ai vu de mieux, et tous sujets confondus !!! À la fois surprenant et parfait.

[@MachineLearnia]

Merci beaucoup, j'en suis tres flatté !

[@rachikbilal2352]

Merci pour ces vidéos de super qualité. J'espère que vous allez nous faire une vidéo sur la rétropropagation du gradien jusqu'à à présent est flou dans ma tête, il y a que vous qui peut le rendre claire, tu explique telemenent bien. Chapeau

[@MachineLearnia]

Oui je vais sortir une vidéo la dessus. Si vous etes impatient, elle est déja disponible sur Tipeee

[@badreddinebouledjfane7609]

Merci beaucoup, il faut être passionné et avoir de la patience pour réaliser ce travail magnifique...merci Guillaume.

[@MachineLearnia]

Je suis passionné et heureux de pouvoir faire des vidéos pour des gens également passionnés de les regarder, comme vous ! :)

[@mouhamadoulaminegning5418]

Vous êtes de loin le meilleur de ce que j'ai encore vue jusqu'à présent. je m'intéresse à la science de données et je pense que vous me donner plus envie de me plonger dans ce domaine qui regroupe ( les maths😍) et l'informatique. Merci Mr Guillaume

[@MachineLearnia]

Merci a vous pour votre soutien !

[@walidbenaziza]

c'est travail d'excellence !!! merci ..vous m'avez ouvert une case de mémoire que je n'ai pas pu l'ouvrir auparavant!!! merci

[@khadidjaiznasni1120]

bravooooooooo c'est exeptionnel!!!! votre explication est géniale et simple on ne s'ennuie pas en l'a regardant. chapeau Monsieur.

[@maxence7340]

J'étais pas prêt. Juste curieux de comprendre comment ça fonctionne, mais moi je suis mécanicien de base. Alors les 3 vidéo précédente était vraiment ouf pour moi et mon niveau bacpro! Enfin nous y voilà, la partie que j'attendais. Je ne pensais vraiment pas quil y avait autant de math derrière ça

[@infinitepower7298]

bonjour Guillaume, merci pour ce super travail que je vais ré-exploiter avec mes élèves (terminale NSI & MATH) pour les projets tout au long de l'année ; sympa 🤣

[@nchaine]

Pas de mot pour décrire la formation! C'est tout simplement incroyable😘

[@jonathanamagaga776]

Salut Mr je suis Amagaga Omboga Enseignant de lycée en électrotechnique. Intéressants vos contenus. Je vise utiliser ces commandes en électrotechnique de puissance.

[@aniselgarna7523]

Merci Guillaume pour tous tes efforts pour cette belle introduction au Deep Learning.

[@MachineLearnia]

je t'en prie !

[@cedricable]

Une vidéo super bien faite. Apprendre avec toi est un réel plaisir. Je n'ai pas de mots assez forts pour te remercier. Vicement la prochaine et merci Guillaume

[@kemmounramzy6232]

j'ai jamais vu une video de tel qualité vraiment c'est tres gentil de votre part merci bcp !!

[@andysmart2395]

Merci beaucoup pour la vidéo, très cohérentes et digestes tes explications même si t'es allé un peu vite avec le code mais bon ça se comprends vu la durée de la vidéo, toutefois j'ai pu tenir jusqu'à la fin ayant tout compris et j'en suis fière, c'est ouf ce que j'ai appris en une seule vidéo merci encore frère

[@MachineLearnia]

Bravo ! Juste bravo ! C'est tres bien de pouvoir tout suivre jusqu'au bout, et progresser ainsi comme vous le faites. Oui il y a beaucoup d'infos et je comprends qu'il faille un peu s'accrocher. Mais vraiment bravo je suis tres content si en plus vous etes fier de vous ! c'est super continuez comme ca !

[@AbelBeingar]

S'il vous plaît je n'arrive pas à télécharger les données de chat et de chien

[@abdallahiheb424]

comment télècharger les DATASETS à partir de GITHUB ?

[@bibourou]

Et donc la voici enfin ! Beau boulot à toi ! J'en aurais pas besoin tout de suite pour mes vaches mais cela est tres inspirant !

[@MachineLearnia]

Ahah yes ;)

[@Lastrophysicien]

Excellente video!! Elle est tres explicite et d'une qualite tres rare.. Bonne continuation Guillaume!

[@MachineLearnia]

Merci a vous !

[@brucepombo452]

Merci beaucoup Monsieur Guillaume, je vais essayer de faire l'exercice mais je suis très sûr que j'aurai à vous poser la question à chaque difficultés que je pourrais rencontrer. 🙏

[@MachineLearnia]

Je vous conseille d'essayer l'exercice oui :)

[@chocolatnoir3045]

Que rajouter à ces multiples éloges amplement méritées. Bravo et merci Guillaume ; du grand art. Dommage que cela suscite des commentaires aussi navrants que le précédent, allergique à certains accents là où la reconnaissance serait la moindre des choses.

[@MachineLearnia]

Merci beaucoup. Oh je n'ai pas vraiment remarqué qu'il y avait des critiques, mais s'il y en a ca n'est pas grave, au contraire je suis a l'écoute des remarques.

[@abdoulayedrame6002]

Vraiment T le meilleur j'ai fait ça à l'uni mais je ne comprenais rien et t'arrive à l'expliquer ausssi facile chapeau !

[@MachineLearnia]

de rien ! :)

[@bbmm9802]

Un grand merci et bravo pour ce super travail très pédagogique.

[@kevinkamla]

J'adore vraiment les explications sont parfaits et la voie donne envie d'en apprendre plus. Merci beaucoup.

[@moustiqu3]

Mais quelle joie.! J’aurais aimé avoir ce code avec tensorflow et Keras pour comparaison. Cependant, cela peut être vu par après. Mais c’est une superbe continuité de ce qui a été vu dans les vidéos précédentes! Merci du temps consacré et de cette présentation simplifiée d’un sujet qui peut être vu comme complexe. Merci Guillaume!!

[@MachineLearnia]

Oui, on verras comment faire ca avec Keras plus tard !

[@tayebkebir7856]

Merci beaucoup Monsieur Guillaume, très attendu !

[@MachineLearnia]

Merci a vous !

[@thegreatsamy]

Bonjour, Vidéo de très haute qualité qui vient s'inscrire dans la continuité de tout le reste depuis le début de la formation DL, cependant j'aurais bien aimé passer plus de temps sur la manière de réaliser les graphiques 3D et animations en fin de vidéo même si l'idée générale à propos de l'évolution des différentes fonctions et ce qu'elles viennent illustrer est très clair.

[@classic_music440]

Meilleure chaîne, meilleure série. Je suis content de m'abonner à cette chaîne. Tout est parfaitement clair. J'attends la prochaine vidéo !!!!

[@MachineLearnia]

Merci, ca me touche beaucoup ! :)

[@rooseveltngnepiepaye9446]

Merci énormément pour le Travail de géant que vous abattez .J'ai vraiment hâte de voir la suite. Merci!!!

[@MachineLearnia]

Merci a vous ! la suite sortira bientot !

[@idatascience630]

Peut-on autant être émue d'une joie aussi grande qu'un orgasme ( mes excuse mais c'est ce que je ressens en ce moment en suivant ce cours 😅) ? Et pour ceux qui n'ont pas encore rejoint tipee et les autres plateformes de Guillaume, Vous ratez gros.. Merci Guillaume pour ce travail de qualité !

[@MachineLearnia]

Merci beaucoup pour votre reconnaissance, ca me touche vraiment ! Et le coté orgasmique, ahah, je préfere oublier :')

[@ibrahimafaye7915]

Comment rejoindre ces plateformes?

[@abdallahiheb424]

comment télècharger les DATASETS à partir de GITHUB ?

[@miguelpascal5699]

Cette vidéo est magnifique Guillaume Merci beaucoup 🙏

[@MachineLearnia]

Merci a vous !

[@darlinngankam5954]

Merci beaucoup pour tes formations vraiment. Actuellement je travaille sur un projet que je crois bien devoir intégrer du deep learning dedans mais j'ai beaucoup de soucis avec le modèle. C'est un projet de vision par Ordinateur de vidéo surveillance qui porte sur la détection des situations à risques ou dangereuses. Si tu pouvais m'aider juste un peu dans ce sens vraiment .... Encore une fois de plus merci beaucoup et stp ne cesse jamais de faire des formations pour nous.

[@MachineLearnia]

désolé pour la réponse tardive, vous avez résolu le probleme ? sinon vous pouvez me contacter sur discord.

[@berencerelisyouayabouesso660]

Cher Guillaume, si je ne commente plus le reste des vidéos, c'est simplement que je n'en ai plus😀. Je suis tout simplement abasourdi. Tu peux toutefois etre sûr que je continuerai à liker.

[@MachineLearnia]

Merci beaucoup !

[@zinabouattou9531]

quelle générosité mille merci pour vos efforts

[@abdallahiheb424]

comment télècharger les DATASETS à partir de GITHUB ?

[@yak_music]

Bonjour, J'ai essayé de faire l'exercice sur les chiens/chats. J'ai procédé de cette manière : def applatir_donnees(X): liste_X_flatten =[ ] for i in range(X.shape[0]): liste_X_flatten.append(X[i].flatten()) return np.array(liste_X_flatten) ##Normalisation X_train = X_train/255 ## Applatir des données X_train = applatir_donnees(X_train) # entrainement W_final,b_final = artificial_neuron(X_train, Y_train,learning_rate=0.01, n_iteration=4000) J'obtiens un courbe d'apprentissage qui est bien décroissante mais comme je n'ai pas utilisé la fonction de sklearn à la place de la fonction log_loss, je ne sais pas si j'ai réellement une bonne réponse ou si c'est un coup de chance. Merci pour vos vidéos !!

[@etudefrancaise6549]

Je vous remercie pour votre traville précieux, thanks

[@theworldbuzz6470]

Merci Beaucoup pour ta vidéo.39 min de pur plaisir.Tu expliques tellement bien.J'ai appris énormément de notions. Au passage j'ai réalisé l'exercice en fin de vidéo.Effectivement j'ai eu des problèmes avec le log_loss que nous avons programmé. Par contre celui de sklearn fonctionne.Je suis un peu déçu parce que mon taux d'exactitude sur les données d'entrainement est de 1 avec un learning_rate de 0.1 et un nombre d’itération de 15000.Toutefois le taux d'exactitude sur les données tests est de 0.5. En d'autres mot mon neurone à 50% de chance de trouver de bonnes réponses sur un jeu de données test. Je vais m’améliorer et me corriger avec ta prochaine vidéo. Merci beaucoup Guillaume.

[@MachineLearnia]

Bravo pour avoir réussi a faire l'exercice de toi meme ! Oui la fonction de sklearn fonctionne car elle utilise un petit epsilon comme je l'implémente dans la vidéo suivante (mais qui fonctionne juste un peu différemment) Pour améliorer le modele, il faudra passer a un modele non linéaire (programme des vidéos suivantes) :)

[@abdallahiheb424]

comment télècharger les DATASETS à partir de GITHUB ?

[@marcb6747]

Bonjour Guillaume, excellente leçon, très pédagogique, je vais m'attaquer à l'exercice....

[@marcb6747]

Premiers retours sur l'exercice. Effectivement j'ai plusieurs problèmes sur le Log loss avec les paramètres alpha 0,1 et n_iter 100. Parfois j'ai des "nan", ou une division par 0...bilan sur le trainset je n'ai que 0,5 d'accuracy score. Je vais essayer de changer les paramètres mais j'avais une question: la fonction de log loss de sklearn ne travaille pas au niveau matriciel, mais au niveau unitaire semble t-il, au niveau de chaque observation. Me trompe-je ? ou faut-il adapter la fonction pour la matricialiser ? Merci Guillaume, bonne soirée.

[@MachineLearnia]

De bons progres ! bravo ! Je vais répondre a tout cela dans la prochaine vidéo, en attendant : 1 -> la log_loss vous donne un probleme (log(0) parce que la fonction exponentielle sature quand Z devient trop grand, sklearn ne vous donne pas ce probleme parce qu'elle ajoute une constante 1e-15 dans le log (pour éviter d'avoir log(0) 2 -> vous obtenez une performance d'environ 0.5 sur le testset, c'est normal (le modele est en overfitting pour plusieurs raisons que j'expliquerais dans la prochaine vidéo)

[@joembula7477]

J'ai tellement attendu cette vidéo quelle qualité je suis en larmes

[@MachineLearnia]

Merci beaucoup, ca me fait tres plaisir de vous voir aussi ému ! :)

[@akrrach]

C'est vraiment très important... Merci de me faire rafraichir la mémoire surtout sur les concepts mathématiques que j'ai étudiés à l'univ. mais sans savoir leur utilité tel gradient, Jacobien.... c'est vraiment un domaine motivant à connaitre en plus BRAVO pour tes explications pédagogiques très claires... je suis dans le domaine informatique et j'aimerai bien approfondir mes connaissances dans ce domaine d'intelligence artificielle à quoi vous pouvez de conseiller sachant que j'ai des bagages modestes qui pourront peut être m'aider pour avancer. j'ai suivi ces premières vidéo alors je trouve que je peux suivre et améliorer les choses. Est ce que vous pouvez me recommander les logiciels à utiliser pour programmer complétement les neurones artificielles, (python seul ou il y en a d'autres qui complètent qui facilite la tâche plus ). Merci beaucoup et bon courage

[@MachineLearnia]

Bonjour et merci pour votre message. Dans la pratique, pour développer des réseaux de neurones, on utilise Tensorflow et la librairie Keras, c'est le plus simple, et si vous aimez beaucoup la programmation Python, OOP, alors utilisez Pytorch (mais c'est un peu plus compliqué a prendre en main)

[@akrrach]

Merci d'avoir répondu et encore pour votre réactivité et conseils...

[@germainedabadiouf1473]

Bonsoir Guillaume. Merci beaucoup vraiment. J'ai fait l'exercice et j'ai été satisfaite du résultat obtenu. Avec un learning rate de 0.1 et 1000 itérations j'ai obtenu un score de 96% et la prédication sur les 10 premières images des données tests donne un résultat exact.

[@Biscotal]

Tout est excellent ! Que ça soit le montage, la narration, le contenu … ! Mes félicitations ! :-)

[@MachineLearnia]

Merci beaucoup :)

[@Biscotal]

@@MachineLearnia J'ai essayé de passer par le PCA en réduisant les dimensions du X_train et X_test à 90% de variance (ça donne 174 composantes) ; le modèle apprend très vite, mais on a toujours un score d'environ 56% sur le test_set !

[@samuelchevalier1038]

C'est vraiment passionnant... maintenant, je serai curieux de savoir quelles données il faut recueillir pour apprendre à conduire à l'ordinateur 😅

[@lefortjohan6570]

Merci pour cette vidéo! Pour l'exercice, j'ai un score de 99% sur le train set qui tombe à 52% en testant mon neurone sur le test set 😅 J'imagine que c'est l'overfitting mais lorsque j'ai ploté la loss pour le train et la loss pour le test, rien ne montrait qu'on avait bien un overfitting, les courbes était très proches.

[@MachineLearnia]

Essaye de tracer la courbe d'accuracy ;) tu vas voir le décalage :D Bien joué sinon !

[@David-rb9lh]

Question idiote as tu fais de la cross validation ? Par ailleurs n’oublie pas qu’ont peut aussi over fit sur le test set en outre il ne faut surtout pas optimiser sont modèles sur le test set .

[@MachineLearnia]

@@David-rb9lh Non, pas de gridsearchCV ici, mais tu peux en faire une si tu veux !

[@stephv631]

Ouah elle était vraiment attendue cette suite, c'est vraiment super clair. Juste une petite remarque à 13'30 je ne suis pas certain qu'avec sans itération on arrive à obtenir un résultat, je pense que c'est plutôt cent itérations tout est dans la liaison :-), Mais cela n'enlève rien à la super qualité de ce travail 1000000...0000 mercis

[@MachineLearnia]

Ah ouais mince alors !

[@lesolitaire2023]

merci mille fois monsieur, c'est ça la pédagogie.

[@florentakpro8799]

Tres bien expliquer. je me sens deja comme un expert en machine learning😆

[@mouhamedba2287]

Bonjour Guillaume. Merci pour ce super travail . Vraiment Bravo. Par contre, où est ce qu'on peut trouver la fonction animation qui vous a permis de voir comment notre modele s'adapte à nos données ? ils ne se trouvent pas sur les notebooks que vous avez partagés. Merci encore !

[@PFstoker]

Mon algorithme a fait n'importe quoi 😂 Je vais regarder la vidéo suivante pour me réconforter ! super boulot comme toujours !

[@MachineLearnia]

Ca n'était pas un exercice facile, je vous rassure !

[@LaurentD90]

Super boulot. Merci Guillaume.

[@MachineLearnia]

Merci a vous !

[@dalila0485]

Toujours à la hauteur. Merci beaucoup.

[@MachineLearnia]

Merci a vous !

[@miantsarazakamanantsoa2840]

Merci beaucoup :D hâte de voir la vidéo sur Tensorflow et Keras

[@hanansabbar8945]

interessée

[@nickl.piebeing2421]

Merci pour ce super travail, cela t'est si aisé franchement trop fort✌

[@bienvenumoutouama5672]

Vous êtes vraiment le meilleur, merci pour la vidéo très très intéressante..

[@MachineLearnia]

Merci a vous !

[@emmanuelroquel7742]

Merci pour cet incroyable boulot.

[@selmakerdous8047]

Best teacher I have ever seen

[@MachineLearnia]

Thanks a lot

[@ueberschlagsimon601]

Incroyable, je suis en école d'ingénieur et tes vidéos sont extrêmement intéressantes, je pense avoir compris l'essentiel, en tout cas pour les problèmes à 2 voir 3 variables. Mais je me pose une question, comment fait on pour se représenter la situation pour un problème à + de 3 variables..? Une représentation graphique n'étant pas possible je me demande s'il y'a un autre moyen de se le représenter.

[@saidmohamed1552]

Très belle vidéo, un grand merci Guillaume ! J'ai beaucoup appris de cette vidéo. Comment puis-je accéder aux vidéos de TensorFlow ? Dans la neuvième vidéo, vous parlez de la prochaine vidéo, mais je ne trouve pas la suite

[@khadijamodeste8862]

merci pour la qualité de ton travail

[@jamesmaxwell_it]

Excellent.. 👍 vidéo très attendue

[@MachineLearnia]

Merci !

[@ElBasraoui]

Toujours le meilleur, merci Guillaume

[@bilalmanai6829]

Merci beaucoup pour ce travail et le partage de votre savoir et savoir faire. Je me demandais pour quelles raisons la performance du modèle ne pouvait pas être supérieure à 89% (27':30'' de la vidéo) ? En effet, à l'examen de la répartition des points jaunes et verts on peut facilement identifier une limite/droite qui permettrait d'avoir une meilleure performance du modèle. Cette droite aurait une pente moins importante et donnerait une performance de 93% puisque seulement 4 points jaunes resteraient au dessus de cette droite/limite.

[@D4rknessMG]

César de la chaine la plus pédagogique & la plus quali du youtube IA/tech Français

[@MachineLearnia]

Je suis très honoré d'un tel commentaire !

[@zeinebouahmedhamed5967]

Bonjour je vient de découvrir votre intéressent contenu, merci infiniment , pourrirait vous slvp partager avec nous comment apprendre a faire ses excellentes illustrations j'ai mon PFE dans pas long temps et d'ailleurs que durait vous sur le sujet (detection of financial fraud using artificial intelligence) hâte d'entendre votre retour .

[@clemcasti6327]

Merci beaucoup pour cette vidéo, mon premier neurone ! J'ai fais l'exercice et après 1x10^6 itérations j'atteins une précision de 0.53 sur le testset ce qui est peu mais déjà très bien avec 1 seul neurone. EDIT: Mes hyperparamètres n'étaient pas très bon, avec un meilleur learning rate j'arrive à une précision de 60% sur le testset.

[@MachineLearnia]

bien joué, on va faire progresser tout ca par la suite.

[@jeanayikpa9213]

Félicitations, un cours très pédagogique

[@MachineLearnia]

Merci !

[@prof-dargham]

Très bonne pédagogie avec des animations cools.

[@tjhraj4328]

Bonjour, j'ai jouer avec les hyper paramètre et j'ai pu trouver 99.7 % de score pour le train set mais seulement 57% pour le test set, donc je suis en overfitting . J'ai pas bien compris comment tracer la courbe logloss pour le test . Et comment combattre cette overfitting? En apprenant peut de données?

[@MachineLearnia]

Oui, j'ai pu répondre a cette question dans la vidéo suivante :)

[@chawchaw13]

Well done!! really a very useful learning session Thank you very much. Just a question what vs code extensions are you using ? Thank you again.

[@MachineLearnia]

Many thanks. I just use VScode with the jupyter extension.

[@yahia1355]

I cannot believe this content is for free ! I would pay tens if you wanted !

[@saadiaouldsaada4003]

Yesssss enfin 🥰🥰🥰 je sais déjà quoi faire de ma soirée 😁

[@MachineLearnia]

Ah ca fait tres plaisir de lire ca !

[@emilenana4153]

c'est super bien fait! merci pour ce grand travail!

[@SoyEssoy]

merci pour ce super travail

[@May-en8nj]

Merci infiniment pour ces vidéos

[@MachineLearnia]

Je vous en prie !

[@teeg-wendezougmore6663]

Superbe vidéo. Merci beaucoup !!

[@أحمدعبدالحي-م4ز]

excellent formation complète

[@amazighherroug5737]

Merci pour tes vidéos, tu es le meilleur.

[@idk-yb3yl]

Bonjour!! j'ai une petite question: Pourquoi il y'a deux fonctions predict en ce moment 17:40

[@ablayefofana4882]

Merci beaucoup éminent Prof...

[@MachineLearnia]

de rien !

[@christngoua4316]

Bonjour 👋 merci pour ce beau travail. J’aimerai savoir, vous utilisez quel IDE ?

[@grenix869]

Pareill c'est drole je veux le faire aussi mais je sais pas quelle app il utilise

[@maximinmaster7511]

Merci pour cette nouvelle vidéo.

[@MachineLearnia]

De rien ! :)

[@omarnejjar3079]

Chapeau bravo et merci

[@barryismaila1723]

Une autre excellente vidéo! Merci Guillaume!

[@abdallahiheb424]

comment télècharger les DATASETS à partir de GITHUB ?

[@j_cd8705]

Génial, le boss est de retour

[@alexfranck5896]

vraiment super merci pour tout.

[@felipeblin8616]

Merci tres util, It would be great to show a diagram of network with X,W, Y etc for these examples! Merci again

[@danielleveillet]

Tellement génial.