EXPERT Machine Learning Je réponds à tout
Si je veux faire un réseau de neurone pour une ia qui joue au snake, c'est quoi les grosses étapes pour y parvenir ?
T'aurais des livres / formations qui traitent de cet aspect là à conseiller ? 
Le 27 octobre 2020 à 20:50:27 Lkheyny a écrit :
Le 27 octobre 2020 à 20:49:48 carrycature a écrit :
Le 27 octobre 2020 à 20:49:06 RusczykDeter a écrit :
utilité de lire la bible de murphy quand on peut juste lire géron ?Aucune je le trouve pas top et il y a ses ressources sur le net 100 fois mieux
A quelles ressources fais tu allusion ?
.gif ":)")
Fast ai, tu as the élément of statistical learning, la doc de scikit learn, tu as dataflower (les cours de ULM) etc... Il suffit juste de chercher
Le 27 octobre 2020 à 20:46:23 chibbimitia a écrit :
Une vraie prod quoi, où tes modèles sont dans le chemin critique du business, avec toutes les contraintes que cela peut impliquer en terme d'opérationel. Pas un dash board qui servira à faire joli et à pouvoir dire que nous aussi, on fait du mal.
Et en fonction du business, les problématiques de scalabilite, de rafraîchissement et autres, qui font que même appliquer une régression logistique, la plupart des boîtes se cassent les dents dessus
Euh ouais ça a été utilisé, mais on a pas dev une app dessus, la problématique ne s'y prêtait pas
On a fait une API qui était requêtée, pour un besoin spécifique.
Le 27 octobre 2020 à 20:46:33 INFP_mignon a écrit :
tu peux expliquer le deep learning sans utiliser des mots compliqués et egalement expliquer comment le mettre en place si j'ai par exemple des images et que je voudrais reconnaitre un truc en particulier
J'adore cette question.
Quand tu veux recnnaitre un truc sur des images, tu dois apprendr a l'ordi a comparer les images. une image c'et une matrice, donc plein de carré les contenant une valeur ( (RGB = couleur). Hors, un modèle ne va JAMAIS réussir a fonctionner sur une matrice
pourquoi un modèle ne peux pas fonctionner sur une matrice? Pour comprendre l'idée, observont deux photo de chien, un noir et un blanc. Tu veux que dans les deux cas le modèle reconnaisse un chien, hors, les deux images sont totalement différentes si on devait les comparer en faisant une soustraction
On va donc chercher a synthéthiser l'information contenus dans les images. Le deep learning (réseau de neuronnes) est une approche novatrice dans le sens ou l'on ne dit JAMAIS au modèle comment synthéhiser l'information contenus dans les images.
Le modèle va apprendre de la manière suivante, il va synthéhiser une image, la multiplier par une matrice de poid, et regarder ce qu'il prédirait (un chien ou un chat). La matrice de poid va ête modifiée selon qu'il se soit trompé ou non. Tu fais ca sur des million d'images, la matrice de poid s'améliorer au fur et a mesure
c'est clair? 
Le 27 octobre 2020 à 20:53:08 nonosim a écrit :
Le 27 octobre 2020 à 20:47:49 Free_benalla a écrit :
Le 27 octobre 2020 à 20:45:48 Lkheyny a écrit :
Le 27 octobre 2020 à 20:44:30 nonosim a écrit :
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.Euh, dans un projet ML tu as du data engineering.
Ce à quoi tu réfères je dirais que c'est davantage data mining, extraction donnée ect. Et c'est vital, c'est surtout ça qui fait la qualité d'un modèle ensuite... Garbage in, Garbage Out.
Data Engineering c'est quand tu peaufines tes features, que tu en crées de nouvelles, des intéractions entre elles, des ratios, c'est intéressant à faire en soi ;) (attention à l'overfitting)
non il parle des personne qui prépre les pipeline
en gros ceux qui vont recuperer les données machine, les aggregée en base de données propre et les envoyé au différents utilisateurmon point de vue perso c'estque je pense que l'apprentissage est probablement plus 'simple' que dev des modèles, car y a un savoir limité en quantitée, docn après qqes années d'exp ta fait le tour des techno et tu te touchche les couille
Quand tu dis que " l'apprentissage est probablement plus 'simple' que dev des modèles" si j'ai bien compris, le métier de data scientist est beaucoup plus simple que data engineer, celui-ci doit continuer à apprendre toute sa vie ? Les salaires sont à peu près équivalents ?
J'ai peur que la data science soit une bulle qui risque d'exploser d'ici quelques années, en commençant mes études de maths on me l'a présenté comme un "domaine d'avenir" mais je me rends compte que c'est faux donc j'essaie de voir dans quoi je peux me réorienter si la data science est si surcotée que ça, sachant que je peux rallonger mes études de 2 ans si possible.
Tu veux te réorienter dans quoi ?
C'est quoi ton job idéal ?
[20:49:59] <Lkheyny>
Le 27 octobre 2020 à 20:46:33 INFP_mignon a écrit :
tu peux expliquer le deep learning sans utiliser des mots compliqués et egalement expliquer comment le mettre en place si j'ai par exemple des images et que je voudrais reconnaitre un truc en particulierC'est dur khey
1) Deep Learning c'est le fait de faire des modèles avec des millions de paramètres cachés. Ces modèles très complexes peuvent apprendre des détails qui t'échappent à l'oeil, genre les contours de ton image, les variations couleur des pixels, les bords, la forme des angles, ect... En gros ça capture des millions de petits détails qui t'échappent.
Ce qui est génial c'est que tu peux utiliser un modèle entraîné pour faire une reconnaissance d'image entre 1000 classes possibles (genre chien / chat / table ) qui a été entrainé sur super ordinateur, et utiliser ton petit PC pour lui faire apprendre à distinguer entre une photo de toi et photo de ta copine ! Le réseau va utiliser son savoir précédemment acquis pour atteindre ton objectif: ça s'appelle du transfert learning
2) Si tu veux apprendre à en faire il te faut:
1) Un PC
2) Python
3) Cherche "deep learning fast ai course", dès le premier cours tu sauras faire ce modèle de distinction
ok merci khey, je fais déja un peu de traitement d'image sur python mais je comprend rien ai deeplearnig parce que tout le monde utilise des termes compliqués... pourtant j'ai pas l'impression que ce soit si complexe
pour mes images par exemple il faut que j'ai déjà identifié quelques objet a l'oeil pour entrainer l'algorithme ou il fait tout tout seul?
Le 27 octobre 2020 à 20:51:41 Sprycotcot a écrit :
Si je veux faire un réseau de neurone pour une ia qui joue au snake, c'est quoi les grosses étapes pour y parvenir ?T'aurais des livres / formations qui traitent de cet aspect là à conseiller ?
Theorie reinforcement learning an introduction de richard Sutton, après tu as le papier de 2014 de deep mind sur le deep q learning ! Après tu as sur le tutoriel pytorch un dqn codé et tu peux t'inspirer pour résoudre le snake ! Après tu as d'autres algorithmes mais lui est très simple à coder
Le 27 octobre 2020 à 20:51:42 RegleGraduee a écrit :
Tu connais un service en ligne pour mettre en production un model pré-entrainé et payer seulement à la demande ?
Euh pourquoi ne pas passer par heroku ? Ca peut faire le taff et c'est gratos ! (Tu peux mettre le serveur sur heroku, et le front aussi sur heroku)
Et utiliser Firebase si tu as besoin d'une database ou stocker modèles
Le 27 octobre 2020 à 20:52:32 Lkheyny a écrit :
Le 27 octobre 2020 à 20:46:23 chibbimitia a écrit :
Une vraie prod quoi, où tes modèles sont dans le chemin critique du business, avec toutes les contraintes que cela peut impliquer en terme d'opérationel. Pas un dash board qui servira à faire joli et à pouvoir dire que nous aussi, on fait du mal.
Et en fonction du business, les problématiques de scalabilite, de rafraîchissement et autres, qui font que même appliquer une régression logistique, la plupart des boîtes se cassent les dents dessusEuh ouais ça a été utilisé, mais on a pas dev une app dessus, la problématique ne s'y prêtait pas
On a fait une API qui était requêtée, pour un besoin spécifique.
Ba ouai, pas de ta faute, mais comme la majorité, t'es pas exposé à des vrais besoins en terme de ML, pour moi ca surf clairement sur la bulle. Et le terme "scientist" est clairement galvaudé du coup, c'est vraiment la nouvelle BI quoi...
Le 27 octobre 2020 à 20:25:45 Lkheyny a écrit :
Le 27 octobre 2020 à 20:20:35 CimerPhilippotl a écrit :
Concrètement c'est quoi la différence entre le machine learning et le deep learning ?
Ok en réalité Deep Learning c'est du Machine Learning, c'est à dire c'est de l'apprentissage statistique.
Le but est d'avoir des données, et de trouver une fonction f() tel que f(x) = y, avec x = input, y = output.
Ca s'appelle apprentissage statistique.
Maintenant, deep learning c'est une sous branche très en vogue du machine learning, qui a explosé grâce à Yann Le Cunn et qui est utilisé par tous les plus grandes boites pour faire de l'IA sérieuse (reconnaissance image, génération de fake vidéos, ect..).
En gros, le deep learning permet surtout de modéliser des relations qui ne sont pas forcément linéaires, alors que dans le machine learning classique on a surtout de la linéarité (via les modèles dits de regression) - la seule "non linéarité" dans le ML classique est surtout permise par la méthode dite des "noyaux". Le deep va beaucoup beaucoup plus loin.
"dans le machine learning classique on a surtout de la linéarité"
putain il est beau l'expert ML 
tu sais que même avec une régression linéaire tu peux faire des modèles non linéaires ?
Données du topic
- Auteur
- Lkheyny
- Date de création
- 27 octobre 2020 à 20:13:23
- Nb. messages archivés
- 215
- Nb. messages JVC
- 215