Dans cet article je vous propose de découvrir l’outil de XAI (eXplainable AI) très utilisé qu’est LIME. Avec Google colab, et au travers d’un cas pratique guidé pas à pas vous allez voir comment il est simple et pratique d’utiliser cette librairie avec Python.
Dans cet article nous allons voir une technique très simple pour filtrer vos colonnes (features) dés lors que vous modéliser votre modèle de Machine Learning.
Le Machine Learning fait sans doute peur aujourd’hui à cause de son coté boite noire. L’approche « mathématiques » (statistiques / Probabilités) fait peur car nous comprenons difficilement la raison des choix du modèle qui a été conçu. Dans cet article nous allons voir comment ces approches statistiques permettent de trouver quelles variables permettent de déterminer ce ou ces choix du modèle. Car c’est finalement bien là l’essence du Machine Learning: trouver les éléments/variables qui on conduit à faire un choix ou prendre une décision non ?
Dans cet article nous allons voir comment configurer YOLO 4 (darknet) afin qu’il soit en mesure d’apprendre de nouvelles images à détecter, et ainsi construire notre propre modèle personnalisé.
Dans cet article nous allons voir comment configurer YOLO 4 (darknet) afin qu’il soit en mesure d’apprendre de nouvelles images à détecter, et ainsi construire notre propre modèle personnalisé.
Dans cet article nous allons commencer le travail de préparation autour de la création d’un modèle personnalisé avec YOLO. Première étape labelliser nos images !
Dans cet article nous allons découvrir tout en pratique la librairie de visualisation de données Plotly.
Dans cet article nous allons voir une astuce qui permet de réduire le scope de détection des objets en utilisant YOLO v4.
Nous allons voir dans cet article comment supprimer ces cadres détectés en double avec YOLO avec la technique dite de NMS.
Dans cet article nous allons voir pas à pas comment utiliser le réseau de neurones YOLO avec son implémentation dans OpenCV. Suivez le guide 😉