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.
Dés lors que vous allez commencer à mettre au point des modèles de Machine Learning vous aller vous confronter au délicat problème d'équilibre dans l'ajustement du biais et de la variance. Dans cet article je vous explique simplement comment mieux les comprendre et les ajuster.
Si cette méthode de « prédiction » basée sur les probabilités et les états/transitions a eu ses heures de gloire, elle semble aujourd'hui moins à la mode. Dans cet article nous reviendrons sur les principes fondamentaux des chaines de Markov et leur application en Python.
L'objectif de cet article est de montrer au travers d'un cas concret et français la méthode pour effectuer une analyse de sentiments avec Python.
Découvrez l'Auto-ML avec AutoGluon. Simple accélarateur ou véritable révolution dans la manière de créer des modèles de machine learning ? faites-vous une idée par la pratique …
Dans cet article nous allons voir par la pratique si le deep learning via keras pourra nous aider à trouver les survivants du Titanic plus efficacement que les algorithmes classiques.
Dans cet article nous verrons comment installer et surtout utiliser le micro-framework Python Flask. très utile pour publier vos modèles de Machine learning en REST !
Dans ce court article vous verrez comment en quelques lignes de code Python vous pouvez sauvegarder votre modèle et le rappeler.
Découvrez dans cet article comment utiliser le dernier né des algorithmes de boosting de gradient Open-Source : le CatBoost !