Topic de Lkheyny :

EXPERT Machine Learning Je réponds à tout

Le 27 octobre 2020 à 20:25:35 Date_a_science a écrit :
Tu penses quoi du futur du deep learning ?

Notamment des modèles BERT et compagnie qui performent extrêmement bien mais qui sont encore plus abstraits à comprendre alors qu'on ne sait déjà pas réellement bien expliquer le "pourquoi du comment" de certain réseau de neurones simples ?

Tu bosses sur quel type de projets ?

Oh khey, c'est pas beau d'esquiver

Le 27 octobre 2020 à 20:36:04 carrycature a écrit :
Sur un cas de MARL sur un env compétitif et asymétrique tu as quoi comme astuce ? À part reset tes optimizer et faire de l'opponent sampling ?

Petite question simple pour juger de ton niveau sur un gan pour utiliser la loss de wasserstein quel est la condition ? Et cite moi 4 méthodes pour y arriver.

Quel conf tu as publié ?
Sinon kaggle si tu en as déjà fait quel est ton rang ? (Si t'es pas compétition expert t'es trash tier sache le)

ca a aucun sens ta question sur le gan
si ta jamais vraiment utiliser l'outil evidement que tu va pas connaitre la condition pour utiliser ta fonction de perte de merde

c'est pas encore un truc democratiser en industrie l'utilisation de gan

Connais tu des methodes pour éviter que la self attention soit quadratique selon la taille de l'input (facile celle là)

Le 27 octobre 2020 à 20:13:23 Lkheyny a écrit :
Je suis expert machine learning data science

Je réponds à toutes vos questions :)

tu émigres quand ?

Le 27 octobre 2020 à 20:32:55 NPC-153SJW4 a écrit :

Le 27 octobre 2020 à 20:28:05 Lkheyny a écrit :

Le 27 octobre 2020 à 20:24:38 NPC-153SJW4 a écrit :
Si tu veux reconnaitre un visage tu utilises quelle framework ? dlib s​acré déconne sur mon ordi alors que tu as tellement d'applications avec celle ci. https://image.noelshack.com/fichiers/2018/26/1/1529953589-risibillzoom.png

Pour de la reconnaissance d'image khey, en 3 lignes sur python tu peux avoir un modèle state of the art, en faisant du "transfer learning", en utilisant des modèles ResNet par exemple. Si ça t'intéresse, va regarder "fast ai" c'est du deep pour débutants. Mais tu peux très bien faire ça en 3 lignes sur pytorch ou keras !

Porquoi tu utilises pas une des 4 méthodes sur ce site ? https://image.noelshack.com/fichiers/2017/30/4/1501187858-risitassebestreup.png Je suis en reconversion pro. Je voudrais bien comprendre https://image.noelshack.com/fichiers/2018/26/1/1529953589-risibillzoom.png

https://www.learnopencv.com/face-detection-opencv-dlib-and-deep-learning-c-python/

Haar Cascade Face Detector in OpenCV
Deep Learning based Face Detector in OpenCV
HoG Face Detector in Dlib
Deep Learning based Face Detector in Dlib

Je n'ai pas vu en détail mais
si tu es en reconversion pro, déjà, je ne pense pas que tu doives être "expert deep" pour trouver un taff en data science

maitrise les modèles classiques du Machine Learning déjà...

Là, pour ta question: c'est mieux de passer par des librairies dédiées au deep
(Pytorch ou Keras) et de construire ton savoir progressivement.

Là, ce que tu m'as envoyé ça me semble très (trop) spécifique, tu ne vas pas progresser

Alors que par exemple si tu comprends ce qu'est le transfer learning, comment utiliser des modèles variés pour faire ce que tu veux (du NLP, de la reco d'image, des LSTM) tu pourras !

Sérieux, va jeter un coup d'oeil à https://course.fast.ai/ c'est gratos.

Le 27 octobre 2020 à 20:37:52 carrycature a écrit :
Connais tu des methodes pour éviter que la self attention soit quadratique selon la taille de l'input (facile celle là)

need la reponse

Le 27 octobre 2020 à 20:38:08 Emigre_Suisse a écrit :

Le 27 octobre 2020 à 20:13:23 Lkheyny a écrit :
Je suis expert machine learning data science

Je réponds à toutes vos questions :)

tu émigres quand ?

Tu m'accueilles ? Dans 2/3 ans je go Suisse :)

J'ai pas de questions à poser, tu dis toi même ne jamais avoir utilisé spark. En gros t'as du te limiter à faire du notebook en local, en te servant de quelques libs classiques et en faisant du feature engineering. Et aucun de tes modèles n'a du finir en prod, au mieux ça a résulté dans 1 dashboard ou l'autre.

C'est à dire le taff de 99% des gens qui se prétendent data scientist, et qui ne sont que les nouveaux BI.

Encore un grand mage de la boîte noire...

Le 27 octobre 2020 à 20:38:28 Free_benalla a écrit :

Le 27 octobre 2020 à 20:37:52 carrycature a écrit :
Connais tu des methodes pour éviter que la self attention soit quadratique selon la taille de l'input (facile celle là)

need la reponse

Mp moi je te drop les ressources

Le 27 octobre 2020 à 20:36:43 Date_a_science a écrit :

Le 27 octobre 2020 à 20:25:35 Date_a_science a écrit :
Tu penses quoi du futur du deep learning ?

Notamment des modèles BERT et compagnie qui performent extrêmement bien mais qui sont encore plus abstraits à comprendre alors qu'on ne sait déjà pas réellement bien expliquer le "pourquoi du comment" de certain réseau de neurones simples ?

Tu bosses sur quel type de projets ?

Oh khey, c'est pas beau d'esquiver

J'avoue que c'est dommage parce que ta question m'intéresse aussi

Le 27 octobre 2020 à 20:38:28 Free_benalla a écrit :

Le 27 octobre 2020 à 20:37:52 carrycature a écrit :
Connais tu des methodes pour éviter que la self attention soit quadratique selon la taille de l'input (facile celle là)

need la reponse

https://arxiv.org/abs/1810.00825

Et j'ai dit expert ML pas deep :)

Avec tous les modèles possibles en deep, c'est peu crédible d'être expert deep
Enfin, les thésards se concentrent sur des catégories de modèles (là c'est NLP)

Je n'ai pas fait thèse btw

explique moi brievement pourquoi la CROSS ENTROPY LOSS est une fonction de perte qui fait sens https://image.noelshack.com/fichiers/2016/41/1476132386-1.png

Le 27 octobre 2020 à 20:38:53 FreeHat a écrit :
Encore un grand mage de la boîte noire...

Ça commence à bouger un peu surtout avec les réseaux lipschitz (la piste que je trouve la plus intéressante) mais oui c'est encore black box

Le 27 octobre 2020 à 20:38:30 chibbimitia a écrit :
J'ai pas de questions à poser, tu dis toi même ne jamais avoir utilisé spark. En gros t'as du te limiter à faire du notebook en local, en te servant de quelques libs classiques et en faisant du feature engineering. Et aucun de tes modèles n'a du finir en prod, au mieux ça a résulté dans 1 dashboard ou l'autre.

C'est à dire le taff de 99% des gens qui se prétendent data scientist, et qui ne sont que les nouveaux BI.

Euh ça dépend ce que tu appelles la prod ? :( Si tu demandes si modèle a déjà servi de grandes entreprises françaises, oui :)

Pourquoi tu veux utiliser du spark ? :(

Le 27 octobre 2020 à 20:38:29 Lkheyny a écrit :

Le 27 octobre 2020 à 20:38:08 Emigre_Suisse a écrit :

Le 27 octobre 2020 à 20:13:23 Lkheyny a écrit :
Je suis expert machine learning data science

Je réponds à toutes vos questions :)

tu émigres quand ?

Tu m'accueilles ? Dans 2/3 ans je go Suisse :)

C'est cool la Suisse, obligatoire d'avoir plusieurs années d'xp pour trouver à l'étranger ? Y a des jobs en Asie ?

T'as des primes ?

Le 27 octobre 2020 à 20:41:12 yNd a écrit :
explique moi brievement pourquoi la CROSS ENTROPY LOSS est une fonction de perte qui fait sens https://image.noelshack.com/fichiers/2016/41/1476132386-1.png

Elle est utilisée dans régression logistique non ?
Euh, comment ça pourquoi elle fait sens ? Pour la logistique tu veux dire ? Bah quand tu fais l'optimisation par Maximum de Vraisemblance d'une densité de logistique tu obtiens exactement ça :(

Le 27 octobre 2020 à 20:38:30 chibbimitia a écrit :
J'ai pas de questions à poser, tu dis toi même ne jamais avoir utilisé spark. En gros t'as du te limiter à faire du notebook en local, en te servant de quelques libs classiques et en faisant du feature engineering. Et aucun de tes modèles n'a du finir en prod, au mieux ça a résulté dans 1 dashboard ou l'autre.

C'est à dire le taff de 99% des gens qui se prétendent data scientist, et qui ne sont que les nouveaux BI.

Pazification de pas mal de data scientists

laisse deviner tes langages: python, c++ et R ?
T'en penses quoi du data engineering ? C'est ceux qui préparent les infrastructures de données, les pipelines... Apparemment c'est beaucoup plus recherché que les data scientists, beaucoup moins de diplômés aussi.

Données du topic

Auteur
Lkheyny
Date de création
27 octobre 2020 à 20:13:23
Nb. messages archivés
215
Nb. messages JVC
215
En ligne sur JvArchive 238