PYTHON NUMPY machine learning (10/30)

[@MachineLearnia]

00:40 Le tableau Numpy, ses dimensions et sa shape 05:20 initialiser un ndarray: np.ones, np.zeros, 09:15 np.random.randn 12:04 np.linspace, np.arange 13:24 dtype=np.float16 np.float64 15:43 Assembler des tableaux: vstack hstack concatenate 18:40 np.reshape np.squeeze 22:18 np.ravel() 23:08 Exercice

[@BiMathAx]

ENFIN quelqu'un qui explique simplement et clairement numpy. Merci beaucoup

[@MachineLearnia]

Merci beaucoup pour ton compliment :)

[@loicnembot5927]

Vraiment, très belle vidéo, c'était mon petit déjeuner ce matin

[@julienjacquemont6048]

Ok je commence à devenir addict : vivement la prochaine vidéo!!!

[@MachineLearnia]

Merci ! la prochaine vidéo sort demain ! :D Merci de partager ! ^^ Plus on est nombreux plus on rit ! :)

[@hacker.positif]

Bonjour Boss!!! Vraiment,je vous suivait depuis fort l ongtemps .Les vidéos sont vraiment claires et consises. Mais ,on sait que vous êtes basé sur machine learning mais nous voulons une série de vidéo en programmation orientée en Python.Merci pour ces belles vidéos .bon dimanche

[@kerrylmusungu6293]

Salut bro, Je pense que j'ai réussi à faire l'exercice sans la méthode reshape def initialisation (m,n): A = np.random.randn(m,n) B = np.ones((m,1)) A = np.concatenate((A, B),axis=1) return A Tu explique tellement bien, c'est le meilleurs cours que je n'ai jamais eu

[@MachineLearnia]

Merci et bravo pour ton code !

[@mel.kzimmerman3956]

UN GRAND MERCI .JE ME SUIS ABONNE. DE PLUS JE SUIS EN RECONVERSION ,J' ETAIS CHAUFFEUR DE TAXI DEPUIS 7 LONGUES ANNEES MAIS LA TU ES EN TRAIN DE ME MONTRER QUE C EST TOUT A FAIT A LA PORTEE DE TOUT PUBLIC MOTIVE. JE NE LACHERAI RIEN .( CHOKRANE =MERCI) GUILLAUME .

[@MachineLearnia]

Merci beaucoup ! Ton commentaire me va droit au coeur ! Je suis ravi de pouvoir aider des gens qui sont en reconversion pour changer de vie ! Tout es possible alors ACCROCHE-TOI et tu y arriveras ! Je serai la pour t'aider ! :) Et Joyeux Noel ! :D

[@mohamedbouamara689]

Bonjour Guillaume, Franchement, avec ta formation (j'en suis à la 10ème vidéo , car je suis en train de faire cette formation) je repends confiance. Mille merci.

[@MachineLearnia]

Je suis tres heureux de pouvoir vous redonner confiance en vous. Si vous êtes la c'est que vous en avez les capacités, alors foncez et donnez tout ! Vous allez y arriver et je suis la pour aider :)

[@jean-michel.houbre]

Bravo, encore une excellente vidéo. Je trouve que cette chaîne mérite d'être mieux connue, je mettrai donc systématiquement un commentaire pour favoriser son référencement.

[@MachineLearnia]

Merci a vous, c'est fort aimable !

[@maitrekazmi1540]

merci ! j'ai progresser en Python avec tes videos merci beaucoup 👍🏻

[@MachineLearnia]

Je suis très heureux de l'apprendre :)

[@amyd.2840]

Géniale cette vidéo, merci pour toutes ces précisions sur Numpy !

[@MachineLearnia]

Merci beaucoup pour le retour ! :)

[@ilducedimas]

Je binge-watch tes vidéos mon ami... et mon respect et ma gratitude pour toi grandissent à chaque nouvelle vidéo. MERCI

[@MachineLearnia]

Merci c'est tres gentil ! Pour encore plus progresser, je conseille de ne pas que binge-watch les videos, mais de faire les exos et de participer dans la communauté discord.

[@alice_hml]

C'est super que tu montres la documentation à chaque fois, comme ça on apprend à s'en servir !

[@MachineLearnia]

Je suis content que cela aide :)

[@ftmagicart]

Je viens de découvrir votre chaîne. Je suis impressionné par la clarté de votre propos ainsi que la qualité générale de vos vidéos. Avec tous mes encouragements pour la suite.

[@MachineLearnia]

Merci beaucoup, c'est un très bel encouragement :) Bon courage dans vos projets ! si vous avez des questions vous pouvez mes les poser en commentaire, j'y repondrai.

[@minfongacoulibaly8103]

Félicitation ! Je tire le chapeau à votre génie et à votre générosité. Merci.

[@MachineLearnia]

Merci, ça me fait très plaisir. :)

[@sousousousouable]

Bravo d'un coup ca devient un plaisir d'apprendre python et le deep learning

[@mdarous]

Grâce à ces vidéos, je trouve le machine learning et la programmation très passionnants. Vos vidéos sont de qualité exceptionnelle

[@MachineLearnia]

Merci ! tres content de vous aider et vous transmettre ma passion !

[@steevetoinon739]

Juste incroyable de pédagogie vos vidéos. Juste un grand MERCI

[@ulrichkarlodjo1457]

Merci beaucoup pour ton travail. Les vidéos sont vachement très clairs et ludique. Je suis surtout hyper content d'avoir enfin comrpis Numpy

[@MachineLearnia]

Merci et je suis content si tu as compris Numpy ! :)

[@loscodejacobo31]

Bonjour Guillaume Je suis actuaire et j apprends à coder sur python Ta chaine youtube est une pépite. Merci!

[@TheRemiRODRIGUES]

Très sympa ! On commence à attaquer les choses sérieuses ! Encore super pour les graphiques, cela m'a aidé pour les "axis" de concatenate. Avant je pensais en terme d’abscisses et d'ordonnées, alors qu'il faut penser en terme de lignes et colonnes de la matrice.

[@MachineLearnia]

Oui tout a fait ! :) Merci beaucoup

[@Gbachelot75]

hyper clair avec les schémas !parfait

[@MachineLearnia]

Merci Guillaume :) #plusdeschemas

[@laperseverancelaprc7310]

Vivement merci d'avoir penser faire une vidéo assez claire et très explicite. je viens de commencer mais c'est que avec de tel précision, ça ne peut qu'aller. Je souhaite vivement que vous continuez car Vous Bénissez par votre initiative. Merci

[@MachineLearnia]

Merci je suis heureux de savoir que la vidéo peut vous aider !

[@Kyx77]

Excellent formateur, je suis devenu accro à tes vidéos ahah Je recommande vivement !!!

[@MachineLearnia]

Merci ! :)

[@mande2269]

Jamais vu une telle explication concernant au machine Learning Vraiment vôtre explication est excellente merci merci beaucoup 🌷

[@MachineLearnia]

Merci beaucoup et a bientôt j’espère :)

[@chsofadv2914]

Explication Numpy comme jamais vu Merci,

[@walidbakhouya5176]

Des explications claires et précises, c'est superbe. Mercii bcq :)

[@MachineLearnia]

Merci beaucoup ! bravo pour ta motivation a regarder la série en entier !

[@steevetoinon739]

Merci Guillaume pour ces formidables videos ! C'est pas donné a tout le monde cette capacité à transmettre le savoir

[@barryismaila1723]

Merci beaucoup pour ces vidéos! Clair, précis et concis!

[@MachineLearnia]

Je vous en prie !

[@vgflyway1063]

Je pense que tu es un exemple en tant que formateur, car tu prends le temps de faire des vidéos et en plus de bonne qualité.

[@MachineLearnia]

Merci beaucoup :)

[@mailletautomatisme814]

Bravo, merci pour votre travail. Pour moi c'est un loisir. J'apprécie beaucoup vos éclaircissements !

[@MachineLearnia]

Merci a vous ! :)

[@miiyo2982]

La qualité au rendez-vous, je suis arrivé ici avec beaucoup de questions mais chaque vidéo j'en ai de moins en moins . Merci!

[@Rina_ng]

Merci pour cette vidéo très claire et explicite sur les fondamentaux de Numpy :) ! Je suis un bootcamp de Data science et ton contenu m'aide à mieux revenir sur les notions de base pour progresser.

[@MachineLearnia]

merci ! bon courage pour ton bootcamp

[@patrickjoly7820]

Top top le cousin français! Très bonne vidéo sur le sujet :)

[@MachineLearnia]

Merci beaucoup :)

[@robotmaster1036]

Les choses sérieuses ont commencé, j'ai mis toutes mes batteries en marche. J'ai hâte de devenir un vrai Terminator en machine Learning ! Merci beaucoup Guillaume !

[@MachineLearnia]

Yes bravo a toi :D

[@kgm6981]

trop bien vive numpy vous m'avez convaincue !!!!

[@MachineLearnia]

Yes :D

[@profdjellelhadj8827]

Super vidéo très pédagogique 😀😁 Bravo à vous

[@MachineLearnia]

Merci beaucoup, je suis heureux que la vidéo vous ait plu :)

[@rovaherverabe-andriamarozo4083]

Bonjour, vous avez fait un excellent travail, merci pour tes effort et pour le temps que tu m'as offert en faisant cette belle vidéo bien expliqué. Bon courage

[@abderrahimhamdad8660]

vraiment un gand merci à vous😘 c"est bon prof pour moi dans ce domaine.....

[@MachineLearnia]

je vous en prie ! :)

[@thiamco]

on continue à apprendre avec vous merci !

[@MachineLearnia]

Bravo pour votre motivation, vous irez loin ! :)

[@Aztek1994]

au top mec t'es video ca y est-on entre dans le vif du sujet pour mon cas !

[@MachineLearnia]

Super ! C'est ce que j'adore ! Si tu as un problème, fais moi signe, on trouvera la solution ! :D

[@mohamedgarmouma1541]

Merci infiniment Guillaume pour ce travail remarquable.

[@MachineLearnia]

De rien :) Merci a vous !

[@adamdeuxieme]

Cette vidéo contribue à ma réussite ! Merci pour ton travail 👍

[@MachineLearnia]

de rien :)

[@hypnoticedge]

Très bon pédagogue! Bravo et merci pour la qualité de votre cours Guillaumes !

[@MachineLearnia]

Merci c'est un honneur

[@claumynbega1670]

Good job. C'est très utiles tes vidéos. Courtes et faciles à comprendre.

[@MachineLearnia]

Merci, je suis tres content que cela te plaise :)

[@Aladin-tp1]

24:00 import numpy as np def initialization(m,n): w = np.ones((m,1)) b = np.random.randn(m,n) z = np.hstack((b, w)) return z print(initialization(6,4)) heureka !!!

[@aminaelbekkali6187]

Ty I got my first divine because of you

[@ramzirebai3661]

def initialisation(m,n): return np.concatenate((np.random.randn(m,n+1),np.ones(m).reshape(m,1)),axis=1) print(initialisation(5,3))

[@CalmingRelaxation930]

Merci beaucoup pour cette précieuse leçon

[@MachineLearnia]

Je vous en prie ! :)

[@issiakadembele7000]

salut j ai du mal a utilisé le module numpy. Mon IDE ne reconnait pas ou soit ne charge pas la bibliothèque numpy. malgré l importation je n ai pas accès à la bibliothèque.j utilise pycharm et eclipse.

[@MachineLearnia]

Salut, je pense qu'il faut qu'on te pose quelques questions pour t'aider plu en détail. Je te suggère de rejoindre la communauté Discord (le lien est dans la description) et les gens pourront t'aider.

[@titou1er870]

Mais elle est géniale cette vidéo ! Et cette playlist ! Et cette chaîne ! Bref c’est top tout ça ! :D

[@MachineLearnia]

Eh mon audience est géniale aussi :D

[@makouaramal1944]

Merci beaucoup c'est géniale

[@abdellazizlawrizy]

Merci, vidéo très bien faite.

[@MachineLearnia]

Merci a vous !

[@mamesayekane9578]

Vraiment j'adore c très clair merci infiniment professeur

[@MachineLearnia]

Merci :)

[@ramzirebai3661]

def initia(m,n): return np.concatenate((np.random.randn(m,n).astype(np.float16),np.ones((m,1),dtype=np.float16)),axis=1) print(initia(5,4))

[@darkmessiah8087]

Merci beaucoup pour ces explications, c'est très clair et concis :)

[@skyw4rds625]

Salut Guillaume, Merci beaucoup pour ce blog et ces vidéos d'une excellente qualité. J'attire ton attention sur une toute petite erreur sur le reshape à 20:37, la bonne solution ne serait-elle pas A = A.reshape((1, A.shape[0])) afin de rester sur le même axe A = [1, 2, 3]. C'est vraiment juste pour vérifier si j'ai bien compris :) Vraiment très hâte de découvrir la suite de la série en cours et bonne continuation à toi

[@MachineLearnia]

Salut ! c'est une bonne question que tu poses la, en fait oui et non, ca dépend comment on voit les choses. Mais si tu fais (1, 3) alors tu passes tes données sur l'axe 1 de ton tableau, alors qu'avant elles était sur l'axe 0. Tu vois ce que je veux dire ? En bref soi juste bien a l'aise avec le systems d'axe, c'est le plus important, et je pense que tu l'es.

[@edeparc6471]

vidéo super intéressante. Merci beaucoup pour toutes ces vidéos

[@MachineLearnia]

Je vous en prie ! :)

[@GrafBazooka]

pour ceux qui n'arrivent pas à importer numpy : allez dans votre invite de commande windows et tapez pip install numpy. attention si ca vous mets invalid syntax alors il faut que vous sortiez de python dans l'invite de commande, donc faites exit() et ensuite tapez pip install numpy

[@aichaelfilali4361]

Bravo et bonne continuation !!!!!!

[@MachineLearnia]

Merci beaucoup ! Si vous avez la moindre question, laissez la en commentaire ;)

[@aristidekoffi4168]

J'adore !!! Merci

[@MachineLearnia]

Merci beaucoup

[@Maertaugh]

Salut, je suis l'ensemble de tes videos avec interet. Et celle ci m'a particulièrement intérréssé pour travailler sur un algorithme exercice que j'ai en cours. Il ne s'agit pas ( enfin pas encore...) de machine learning pour l'instant, mais ca va vraiment m'aider. Alors Merci !

[@MachineLearnia]

Le plus important c'est que les vidéos vous aide a progrersser ! Numpy est tres important il est vrai ! :)

[@m.ibrahim128]

def intitialisation(m,n) : res = np.concatenate((np.random.rand(m,n),np.ones((m,1))), axis=1,dtype = np.float16) return res print(intitialisation(5,5))

[@MachineLearnia]

bravo !

[@rachidcharefi8813]

Excellent !!! merci

[@MachineLearnia]

Merci beaucoup :)

[@AfafOUSSETTI]

Merci, C'est très bien expliqué !

[@jmc3508]

Vidéo au top, pédagogie excellente, merci beaucoup !

[@MachineLearnia]

Merci a vous !

[@majdisahbani5564]

merci beaucoup pour cette formidable formation...

[@MachineLearnia]

de rien, tout le plaisir est pour moi :)

[@cococcccc]

D'abord merci pour tes vidéos, elle sont d'excellente qualité et vraiment clair ! J'en suis a mon deuxième visionnage pour bien finir de tout intégrer en enfoncer le clou ^^ cette série a créer un véritable déclic chez moi, merci pour ca. Par ailleurs, en reregardant jme suis rendu compte que on pouvais reshape de cette manière : A.reshape(-1,1) Le -1 indique qu'il faut conserver la première dimension, une contre indication à cette méthode ?

[@MachineLearnia]

Merci beaucoup a toi, ton message fait super plaisir :) Oui tu peux procéder ainsi, mais n'oublie pas de mettre 2 parentheses ! :D A.reshape((-1, 1))

[@jean-louissornay2756]

merci pour cette vidéo, c'était très clair!!

[@MachineLearnia]

de rien !

[@rachididrissi2698]

Merci pour la vidéo

[@MachineLearnia]

Merci beaucoup

[@ebnouseyid5518]

Merci infiniment Super vidéo et explication claire et détaillée.

[@kamiliabedhief4598]

Excellente explication merci bcp

[@MachineLearnia]

Merci a vous !

[@promaths-y4t]

super utile vidéo, bravo, on commence à entrer dans le vif du sujet

[@MachineLearnia]

Oui, bravo a vous de regarder la série en entier ! :)

[@3emeoeil383]

c’est génial 👍 merci l’ami 😁

[@MachineLearnia]

Merci beaucoup ! :)

[@arsworld]

Super partie. Exercice réussi en 2 lignes avec un def et un return mais sans utiliser reshape.. (hum..) (enfin je vérifierai à la prochaine leçon) Vu que je n'utilise pas le reshape, peux tu me dire si ça reste correcte ? def initialisation(m, n): return np.concatenate((np.random.randn(m,n),np.ones((m,1))), axis=1) Merci encore pour ce super taf.

[@lahninemohammed1808]

Bravo, encore une excellente vidéo.

[@mustaphaboukrim1060]

Merci monsieur pour cette explication

[@bernylong4995]

Bravo, très clair

[@MachineLearnia]

Merci beaucoup

[@hadirbarhoumi1506]

Géniale cette vidéo, merci beaucoup! :D

[@MachineLearnia]

Je vous en prie :)

[@nicolasmillet8643]

Super vidéo !

[@MachineLearnia]

Merci beaucoup. Avez-vous regardé les autres vidéos Numpy ?

[@nicolasmillet8643]

@@MachineLearnia pas encore ! C'est prévue car je vais finir une formation python orienté web et je pense me former par la suite côté machine learning via votre chaîne pour commencer 😜

[@BOUDRIBILA]

pouvez-vous nous faire des vidéos sur le traitement du langage naturel ?

[@supplementmaths678]

Bonjour Guillaume, j'ai 2 questions svp : 1) Concernant la commande linspace(0,10,20) : j'aimerai bien savoir comment a été calculé le pas : 0,52631579, je veux dire quelle est la formule mathématique que la machine a utilisée pour trouver ce pas. 2) quand on a comme shape (3, ) , est-ce que ça signifie TOUJOURS que la matrice en question est une matrice ligne de 3 colonnes? Et si c'est le cas, est-ce qu'on peut considèrer cela comme un cas particulier? Parce qu'en principe le 1er élément du shape indique le nombre de ligne, mais dans le cas traité, le 3 a été considéré comme le nombre de colonnes. Merci d'avance

[@faridc.9743]

Merci 1000x monsieur!

[@herveballa4692]

je suis accro ces top ces vidéo!!!!!

[@MachineLearnia]

Merci merci merci ! :)

[@michelkazadi5269]

Merci beaucoup pour cette video

[@MachineLearnia]

De rien :)

[@Hivstein]

Merci pour ce cours, très instructif.

[@MachineLearnia]

Je vous en prie !

[@pierre23293-]

Si on arrive pas tujours a faire les exos et ce que c'est grave n je comprend tes corrections mais depuis les video je n'arrive pas a faire les exo seul ... mais je comprend bien la correction

[@abdoulayealioum1913]

Claire et précise 👍

[@vgflyway1063]

Continue comme ça c’est cool ce que tu fais

[@MachineLearnia]

Merci beaucoup :)

[@lllcdert826]

merci pour vos videos

[@MachineLearnia]

De rien !

[@guillaume8437]

Ah, un des exercices que j'ai trouvé est indiquer numpy version et numpy build configuration... import numpy as np print(np.__version__) print(np.show_config()) Je ne sais pas trop quand ca sert mais bon je n'avais pas trouvé la réponse. Et ca pour trouver l'aide sur une fonction (dans ce cas, la fonction add) : print(np.info(np.add))

[@minutes-hr1nm]

c'est génial, comme d'hab

[@MachineLearnia]

Merci !

[@GagarineYuri]

20:46 : il est possible d'écrire A.reshape((-1, 1)) et automatiquement il ira chercher la bonne dimension qui va bien.

[@MachineLearnia]

Oui En effet, merci pour le partage d'info :)

[@mohammedghaithan249]

Merci bcp ! ! ! ❤😍

[@MachineLearnia]

De rien :)

[@izzycoco8184]

Bonjour Guillaume, merci beaucoup pour votre vidéo une fois de plus et je voulais vous demander, il y a t-il une différence entre la méthode ravel et flatten ?

[@melhamehmel4102]

et me voila ! accros a vos videos , beau travail !!

[@MachineLearnia]

La data science est une bonne drogue ! Bienvenue au club ! :)

[@igatyou]

Bonne vidéo merci

[@diopmamadou3998]

Merci mon coach!

[@MachineLearnia]

Je vous en prie !

[@basilehuet8026]

Au niveau de la memoire lorsque l'on ne precise pas le nb de bit par defaut il est de combien ?

[@tecnom7133]

parfait 😍

[@melodie6948]

Bonjour, merci bcp pour toutes ces vidéos!! J'ai juste une petite question, pourquoi quand on utilise ravel() , il faut mettre des parenthèses mais pas shape par exemple? pourquoi cette différence? merci bcp!!

[@MachineLearnia]

Bonjour. Ravel() est une méthode, shape est un argument. Les méthodes (qui font des actions) prennent toujours des parenthèses en programmation, quel que soit le langage (Python, Java, C++) tandis que les arguments n'en prennent pas. Si vous voulez mieux comprendre la différence entre une méthode et un argument, je vous conseille de revoir la vidéo 9/30 sur la Programmation Orientée Objet.

[@melodie6948]

@@MachineLearnia merci bcp pour la réponse très claire et pour votre réactivité !!!

[@MachineLearnia]

@@melodie6948 C'est un plaisir de vous aider :)

[@supplementmaths678]

@@MachineLearnia bonsoir Guillaume, shape un argument ? vous voulez pas plutôt dire que c'est un attribut? Parce que sur une ancienne vidéo vous avez expliqué que les arguments sont des variables internes dans une fonction. Donc attribut et argument, ça ne me semble pas synonymes. Merci pour vos explications

[@godisalmighty4449]

Top mercii bcp.