Dans ce tuto je vous propose de découvrir un petit framework open source ultra simple à mettre en place et à utiliser et qui vous permettra de créer une interface pour vos modèles de Machine Learning. Suivez le guide …
Dans cet article nous allons aborder le concept de Transfer Learning … ou comment éviter de refaire un apprentissage long et consommateur en réutilisant partiellement un réseau de neurones pré-entrainé. Pour ce faire nous utiliserons un réseau qui fait référence en la matière : VGG-Net (vgg16).
Je vous propose dans cet article de créer un réseau de neurones à convolution pour faire du NLP, et pour les données j’utiliserai un jeu de données que vous pouvez trouver simplement dans les datasets Kaggle : FrenchFakeNewsDetector. Vous l’avez compris l’objectif est double: d’une part voir comment on pourra utiliser la technique de convolution avec des vecteurs (1 dimension au lieu d’images à 2+ dimensions) et d’autre part de faire du NLP avec des données en Français.
Une fois terminé l’article sur la descente de gradient, je me suis rendu compte qu’il manquait deux points important. Le premier concerne l’approche stochastique dés lors que l’on a des jeux de données trop importants, le second étant de voir très concrètement ce qui se produit quand on choisit mal la valeur du learning rate. Je vais donc profiter de cet article pour finalement continuer l’article précédent 😉
Comment parler de Machine Learning ou même de Deep Learning sans aborder la – fameuse – descente de gradient ? Il y a beaucoup d’articles sur ce sujet bien sur mais bien souvent il faut lire plusieurs afin de bien en comprendre tous les mécanismes. Souvent trop mathématiques ou pas assez, je vais essayer surtout ici d’expliquer son fonctionnement en douceur et pas à pas afin de tenter une démystification du sujet.
Pour une analyse que je voulais faire et après plusieurs recherches, je me suis rendu compte qu’il n’était pas si simple d’utiliser les données historiques de la météo. Bien sur je suis allé sur l’Open data de météo France, mais rien de vraiment exploitable ou alors semble-t-il sans une souscription payante. J’ai donc décidé de les récupérer par le biais d’un programme Python et de la technique de scraping.
Dans cet article nous allons voir pas à pas comment créer et utiliser un réseau de neurone convolutif (CNN) pour classifier des images.
L’ automatisation trouve écho partout. Alors, simple buz ou réel mouvement de fond ? Personnellement, et au delà d’une énième révolution industrielle, j’aime positionner cette démarche simplement comme une manière naturelle de “ramener l’informatique” vers son objectif originel: nous simplifier la vie
Nous allons aborder dans cet article une famille de filtre très utilisée par tous les logiciels de retouches (comme Photoshop ou Gimp). En fait et pour aller plus loin (sans non plus pour autant « sploiler » les articles suivants) ce principe de convolution va aussi être très utilisés par les réseaux de neurones (Deep Learning) … mais nous verrons cela plus tard. Focalisons nous tout d’abord sur le principe de filtre et plus précisément de convolution.
Nous allons voir dans cet article les principes d’érosion et de dilatation d’images qui sont très utilisés notamment lors de la restauration d’images de mauvaise qualité.