J'ai visionné des dizaines et des dizaines de vidéos, et en toute objectivité, au vu de la qualité du contenu de tes vidéos, j'estime que tu es l'un des meilleurs pédagogues en ce qui concerne l'enseignement de la datascience (français - anglais confondus). Tu mérites beaucoup plus d'abonnés !
Merci beaucoup ! Ma chaîne se développe progressivement, je vais continuer ainsi, chaque semaine, sans m’arrêter, et grâce à votre aide, notre communauté grandira ! Je sais qu'on va y arriver et je suis super motivé pour diffuser ces vidéos aux plus grand nombre :)
Je suis un debutant en datas sciences, je suis entrain de visionner vos videos en ce moment meme , j'aimerais vous dire que je suis entrain de progresser significativement et en plus , vous etes la meilleure pedagogie...
Ce qui est fou, c'est que je vais regarder tes vidéos un certain nombre de fois! C'est trop dingue, j'apprends beaucoup de toi. J'aurais jamais appris tout çà si je devrais simplement me concentrer sur mes projets académiques à Epitech! Merci.
Bonjour Guillaume, Je reprends la série après quelques semaines de pause, je vous suis vraiment très reconnaissant pour la qualité de vos vidéos. Je ne pensais pas qu'un jour je m'attaquerai à la montagne Machine Learning et ceci je le dois grâce à vous. Souvent dans les séries de ce type, on est rapidement découragé par le niveau exigé, ici tout est rendu accessible grâce à votre pédagogie. Merci encore pour le travail effectué, je n'ai qu'une hâte visionner la prochaine vidéo. Bien à vous. Frédéric
Ah oui ! Il a fallu attendre, mais là tu casses le game. Arriver à compter le nombre de bactéries à partir d'une photo, et cela en quelques lignes de code, c'est dingue. Moi qui pensais que Scipy était une bibliothèque très orientée recherche et assez ennuyeuse, ... tu viens de me montrer que c'est en réalité une vrai tuerie !
Mr Guillaume est l'un des meilleurs pédagogues en ce qui concerne l'enseignement de la datascience (français - anglais confondus) que j'ai jamais rencontré sur RU-vid ... Je decouvre chaque jour une plus grande ingeniosité dans tes formations. Merci champion. J'invite des collègues a la communauté...
Effectivement une vidéo sur l'optimisation serai très intéressante, avec beaucoup de détails et d'explications. Félicitations pour vos vidéos, elles sont excellentes. Merci
Merci beaucoup Thierry ! Je compte faire pas mal de vidéos sur le traitement d'image a l'avenir, a la fois en Deep Learning et également en technique plus mathématique
Merci Guillaume pour ces vidéos toujours très instructives. Celle-ci est très condensée dans les thèmes abordées, elles suscitent d'avantage mon intérêt pour la data science et de la curiosité à tester ces modèles. Bonne continuation.
Salam, je te félicite pour ton travail entrepris. Et voilà que tout deviens assez facile. Notamment l'explication par des exemples réel. Chapeau encore pour ce travail de qualité.
Bonjour, vraiment génial. J'ai suivi toutes les vidéos jusqu'à maintenant et la qualité ne se dément pas. J'ai reproduit le traitement d'image sur une photo de grain de beautés et c'est vraiment facile de compter ceux ci. Merci pour la vidéo.
In a besoin des vidéos sur des modèles comme RNN, ARIMA , ARIMAX, LSTN, ..... car j'ai un grand projet de data science sur la prediction des commandes clients concernant des produits en Thailandes Merci à vous Guillaume, j'ai le plaisir de voir et revoir vos vidéos, qui m'ont vraiment changé d'avis pour la ML. merci énormément :))))
Slt Guillaume, Merci pour cette vidéo toujours très intéressant ! Waouh j'ai hâte de celles sur la NLP, mais avançons pas à pas !! Bon weeek end. Cordialement. Michel
Excellent travail avec une très bonne qualité des vidéos et une très bonne maîtrise du sujet. C'est dommage qu'il n'y a pas suffisamment d'exercices pour chaque notion. Bravo! N.B.: J'ai partagé votre lien avec d'autres collègues.
Bonjour Guillaume et à tous. Ca avance, va falloir commencer à organiser mes notes car si chaque notion prise séparément passe très bien, on commence à avoir pas mal d'outils ;) Sinon question bête sur la dilatation (ca se dit dilation en french ?), on dirait qu'on a 3 méthodes : Méthode A : celle que tu présentes à l'oral, à chaque foi que l'élément structurant touche du blanc, on met tous les pixels de l'élément structurant en blanc (ce que je faisais au début) Méthode B : celle présentée sur tes images, quand le pixel central de l'élément structurant (appelé "anchor" sur tes images) touche du blanc, on met en blanc tous les pixels de l'élément structurant Méthode C : Dès que l'élément structurant touche le blanc, on met en blanc uniquement le pixel central de l'élément structurant (anchor). Inversement pour l'érosion, le pixel est blanc central uniquement si tout l'élément structurant est inclus dans le blanc, si un morceau de l'élément est noir, le anchor est mis en noir Il me semble que B= Id(C) par contre la méthode A ne donne pas le même résultat. De ce que je comprends des équations de morpho math, la C est la "vraie" méthode, donc est ce que je comprends mal, ou ce que les 3 sont OK ? En tout cas merci à toi (si tu lis encore tes com 4 ans après ;) )
Excellentes vidéos, Très pédagogue. Peux-tu nous faire plus de vidéos d'optimisation s'il te plait ? Encore mieux si c'est avec du cplex. Merci Beaucoup et continue comme ça, Tu es au TOP
Vraiment top tes vidéos, je fais déjà du machine learning mais j'apprend quand pleins de nouvelles choses ! Si tu as le temps se serait bien que tu fasses une vidéos approfondie sur les maths utiles en machine learning, même si ça te parait évidant avec ton niveau, pour ceux comme moi qui n'ont pas fait de cursus de math. Et une autre vidéos sur scikit serait vraiment génial aussi ! :)
j'ai pas les mots, je me sens au coeur de la pratique de tas de théories grace à Python. Merci vraiment. j'aimerais juste si vous pouvez fair une vidéo sur les équations différentielles qui se raccordent avec la Transformation de Fourier dans certains cas Merci
Bonjour Guillaume et merci pour ces tutoriels de haute qualité ! Pour la minimisation de la fonction f sur le linspace x j'ai pensé à ce code pour démarrer directement proche du minimum global : > y = f(x) > indice_min = np.argmin(y) > x_min = x[indice_min] > mini_global = optimize.minimize(f, x0=x_min) Cela semble fonctionner assez bien sur les exemples que j'ai tentés. Je souhaite le généraliser à la dimension n car à vue de nez cela reste jouable en 3D via le contour plot mais pas au-delà ; y a-t-il une fonction de type np.argmin() qui renvoie directement les indices du point minimum global d'un ndarray ? Je ne trouve que suivant un axis ou un autre mais pas global... Encore merci pour le travail accompli !!
Merci beaucoup pour le soutien ! Malheureusement je ne vais pas faire de Pytorch dans cette série... mais ce n'est que partie remise parce que je compte faire des vidéos Pytorch dans l'avenir proche ! :)
Pas faux Guillaume je valide mieux faux d'abord appréhender les Rouages du machine learning pour ensuite attaquer pytoch qui est plus complexe orienté tensorflow deep learning force à toi
Salut Guillaume ! Je tiens à te remercier pour ta pédagogie ainsi que l'ensemble de tes vidéos qui sont une mine d'informations ! Penses tu que ce serait amusant de faire une vidéo sur de la reconnaissance vocale, par l'intermédiaire du traitement de signal, du type Fourier, etc ? Si cela est possible bien entendu . Je m'exprimes avec mes connaissances de néophyte. Bonne continuation à ta chaine !
J'adore tes vidéos ❤ seulement au début de la section "traitement de signal", précisément à l'instant 12:04, ça parle bien de Scipy et non pas de matplotlib 😉 Bon courage
Merci tout d'abord pour tes vidéos superbes. Pouvez faire une vidéos sur les séries de Fourier et la réponse d'un filtre linéaire à un signal périodique non sinusoïdal. Merci.
Bonjour et merci pour cette 16ᵉ vidéo, comme d'habitude c'est limpide ! Tu proposes dans ta vidéo de faire une autre vidéo sur scipy alors comme demande, peux-tu stp faire une vidéo de plus sur scipy? Encore merci pour tes précieux cours !
Bonjour et merci :) Oui c'est prévu ! Mais avant je vais faire une série sur le Deep Learning. Ensuite je vais faire une série sur Scipy en effet, qui rentre bien plus dans les détails. Je compte écrire des petits ebook également. Si tu veux etre au courant de ces prochaines sorties, tu peux t'abonner a notre Newsletter. A bientôt ! :)
Adresse de l'image: image.slidesharecdn.com/presentation1-120825052533-phpapp02/95/the-microscope-18-728.jpg?cb=1345872384 Je ne la trouvai pas ni sur le code GitHub ni dans le descriptif mais j'ai peut être mal cherché lol Conseil maison, faites une capture d'écran pour ne pas garder les 2 gros bords blancs de cette image jpeg et ainsi obtenir un png beaucoup plus proche de notre enseignant ^^ Sans cela vous aurez de très forte valeurs dans les blancs et un histogramme moins parlant! A plus et encore merci pour cette pédagogie tellement rare à trouver et encore plus en français \O/
Merci Guillaume pour ton contenu. Au sujet de la fonction "minimize" de scipy, je n'arrive pas à bien mettre en place et comprendre lorsque nous avons énormément "contraintes" à ajouter dans une fonction (plus de 100 contraintes), l'optimisation devient impossible j'ai l'impression ! Peux-tu faire une vidéo sur le sujet, ou me répondre ? Merci d'avance, Mickaël
Excellent ! Une petite bourde cependant à 12:05, tu dis "dans mathplotlib" au lieu de "dans scipy". Je l'ai repéré certainement parce que j'étais totalement immergé dans ta vidéo ;)
Je ne peux voir vos vidéos ss laisser un message ici vraiment excellente formation ML trop d'informations pertinentes sur cette partie 16 il faut la revoir encore et encore... si c'est possible bien sur de rendre un peu too easy(+détail) la partie Transformation de Fourier et image processing Merci d'avance
Un énorme merci ! :) Bravo je vois que vous suivez la formation en entier ! Je vous félicite pour votre motivation ! Oui je ferai 2 vidéos spéciale sur la transformation de Fourier et Image processing dans un avenir proche ! J'adore Fourier ! :)
@@MachineLearnia Merci bien je suis devenue accro à cette chaîne je suis très heureuse d'ailleurs :) grâce à vos efforts, un contenu pertinent qui m'encourage tjrs de découvrir la suite. Merci encore une autre fois et je vous souhaite bonne continuation
Excellent ton exemple d'application-bilan ! Quelques petites précisions car tu passes très vite sur certaines notions dans cette vidéo très dense : - l'axe des fréquences que tu obtiens dans sur ton graphe de Fourier n'est pas très parlant. Cela vient du fait que ton code ne précise pas à la fonction fftpack.fftfreq quel est le "pas temporel" de ton signal. Il faut également multiplier la fréquence par 2*pi pour que le nombre devant le x dans les fonctions np.sin correspondent bien à la fréquence de la sinusoïde (en effet le sinus étant 2-pi périodique, pour un signal de 1Hz, le sinus doit "voir s'écouler" 2*pi en un temps x = 1s). Si on voulait effectivement obtenir un contenu de fréquences temporelles avec des pics à 1, 5 et 10Hz, par exemple pour un signal relevé par un capteur pendant une durée donnée avec une fréquence d'échantillonnage donnée, on pourrait écrire le code suivant : ''' duration = 10 # durée (s) fs = 50 # fréquence d'échantillonnage (Hz) x = np.linspace(0, duration, duration*fs) y = 3 * np.sin(1*(2*np.pi)*x) + 2 * np.sin(5*(2*np.pi)*x) + np.sin(10*(2*np.pi)*x) fourier = fftpack.fft(y) power = np.abs(fourier) frequences = fftpack.fftfreq(y.size, 1/fs) ''' -19:52 l'érosion d'une image est l'ensemble des pixels (blancs) tels que le motif structurant est CONTENU dans cet ensemble, pour chaque pixel (blanc) restant. Autrement dit, le motif passe sur chaque pixel blanc de l'image de départ, et s'il dépasse de l'ensemble des pixels blancs, alors le pixel blanc actuel est effacé ; en revanche si le motif ne dépasse pas, alors le pixel blanc est conservé. Il faut bien noter que l'ensemble des pixels considéré à chaque pas est l'ensemble des pixels de DEPART, sinon à la fin du processus il ne resterait plus rien. - 20:58 tu aurais pu obtenir un meilleur filtrage des artefacts en remplaçant simplement le motif structurant utilisé par défault, qui est un "+", par un motif carré 3x3. Code : ''' open_x = ndimage.binary_opening(X, np.ones((3, 3))) ''' - 21:47 l'image utilisée : image.slidesharecdn.com/presentation1-120825052533-phpapp02/95/the-microscope-18-728.jpg?cb=1345872384 (l'ouverture du fichier ne fonctionnait pas de premier abord malgré son format .png, j'ai du reconvertir l'image en .png avec image.online-convert.com/convert-to-png. Puis pour la redimensionner afin d'éliminer le texte et les bords blancs : '''image = image[:500,90:620, 0]''')
Oui SciPy a l'air monstreux, j'ai pu voir qu'il était très utile pour du nettoyage de données, j'aimerais d'autres exemples avec divers possibilités qu'offre scipy.
Merci pour vos brillantes explications. Svp une fois le nuage de points représenté comment tracer la frontière de décision dans le cadre de la classification? Merci .
Je ferai une vidéo a ce sujet dans pas longtemps+ en attendant vous pouvez vous rendre sur discord pour trouver de l'aide (le lien est dans la description sous la vidéo)
Salut et merci, c'est vraiment très intéressant et en plus ta passion est contagieuse. La qualité de tes vidéos est incroyable... Il manque cependant un liens Utip ou Paypal pour te remercier "pour de vrai".
Bonjour M. Merci pour vos cours je les trouve très bien et très bénéfiques pour les nouveaux utilisateurs de python comme moi. Moi j'ai un problème avec une représentation graphique. Il s'agit de représenter sur une carte sur python des villes et afficher pour chaque ville un indicateur que j'aurai calculé par exemple la pollution. Merci.
Bonjour et merci beaucoup :) Matplotlib permet de tracer des cartes. Je vous conseille de vous rendre sur le discord de notre communauté (le lien est dans la description) sur lequel plusieurs personnes pourront vous aider. :)
Hello Guillaume merci pour cette vidéo. Question, dans la section optimize, tu créé un dataset en utilisant une formule de type : y = 1/3*x**3 - 3/5*x**2 + 2 + np.random.randn(x.shape[0])/20 Le 3ième membre (2) n'est pas facteur de x il est isolé tout comme le 4ième (np.random.randn(...)) Or dans la fonction f, on retourne: return a*x**3 + b*x**2 + c*x + d et là c est facteur de x Ne faudrait-il pas que la fonction f retourne : a*x**3 + b*x**2 + c + d à l'image du dataset ? Merci pour tes lumières
Bonjour merci beaucoup pour votre qui est assez exceptionnel car il est facile à comprendre. Serait-il possible que vous fassiez une vidéo sur preprocessing des données de panel qui sont beaucoup utilisé en économie pour faire des analyses sur un ensemble de pays. Merci d avance
mrc bcp pour votre génial explication, j aimerais bien savoir est ce que python est le meilleur choix pour traitement de signal (par rapport a matlab par exemple)
Difficile a dire ! Python est plus simple a utiliser que matlab, et aujourd'hui il y a beaucoup plus de ressources en ligne pour trouver de l'aide. Numpy est l'équivalent de matlab pour python et je pense qu'on peut faire a peu près les mêmes choses avec Python et Matlab. C'est une question de gout et de carrière.
bonjour j'ai une question : par example dans la partie de traitement du signal : x = np.linspace(0, 2, 100) y = x + 4*np.sin(x) + np.random.randn(x.shape[0]) plt.plot(x, y) comment tu as fait pour choisir ces valeurs (0, 2, 100) pourquoi pas d'autres? aussi pourquoi cette fonction précisement y = x + 4*np.sin(x) + np.random.randn(x.shape[0]) quand je lis un code je comprends sa suite logique mais je n'arrive pas a le produire de mon cerveau = écrire un code toute seule. du coup j'aimerais comprendre le file de ta pensée ! merci pour ton temps et ton énergie katia
Super vidéo, comme toute les précédentes... Eh, oui, j'ai découvert la chaîne il y a peu... Juste une question sur la correction, en faisant plt.subplot(n//2, n//2, i+1) ne va-t-on pas se retrouver à un cadre de 3*3 pour 6 variables, etc. ? plt.subplot(2, n//2, i+1) ne serait-il pas plus intéressant ?
Bonjour l'ami, je ne sais pas si j'ai découvert cette vidéo en retard, mais j'aimerais bien savoir ce qu'il en est de la vidéo de l'optimisation avec contraintes, si je puis me permettre bien entendu
bonjour je tiens tout d'abord a vous remercier pour ces vidéos très instructives mais j'aimerai aussi vous poser une question sur la dilation et l'érosion ,voila en ce moment je travail dans mon stage sur du traitement d'image grâce a un logiciel mais on aimerai faire ce traitement sur python , le logiciel fait de l'outlier sur les images avant traitement PCA, est ce que outlier est la dilation car d'après ce que j 'ai compris du logiciel ca y ressemble merci pour votre réponse.
Bonjour, Merci beaucoup pour vos vidéos qui sont tres instructives et claires ! J’avais juste une question : avez-vous à tout hasard les codes de vos cours sur Jupyter par ex ?
re bonjour, j'ai regarder la video une nouvelle fois, et ya un truc qui m'a intrigué . Lorsqu'on traite l'image avec ndimage pour éliminer les artéfactes on perd de l'information n'est ce pas? c'est ce que nous as montré avec l'exemple du gros carré jaune avec plein de petits carrés qui gênaient. Mais dis moi, je suis curieux de savoir si c'est possible de récupérer l'information perdu avec la fonction interpolate, pour pouvoir reformer le carré jaune comme il était au dépars , mais sans les autres petits carrés qui gênaient.
Bonne question ! Peut-etre que l'on peut faire cela avec une interpolation, je ne suis pas sur car je ne l'ai jamais fait, j'ai déja utilisé du morphing pour des applications industriels, mais j'utilise surtout le deep learning pour la vision par ordinateur, c'est ma spécialité. Quand j'aurais le temps je ferai une expérience en rapport avec ta question et j'écrirai peut-etre un article sur mon site Internet a ce sujet. Merci a toi :)
Bonjour Guillaume, je ne sais pas si tu peux voir les nouveaux commentaires mais je pose ma question tout de même. Pour trouver l’optimum d’un contour plot, tu fais passer x0 comme un tableau en 2D. Cependant, j’obtiens dans mon minimize une erreur de dim. Je suis donc obligé de crée un tab de la sorte [0,0] pour mon x0. Sais tu si les choses ont changé ou bien si je fais une erreur de manipulation. np.zeros((2,1)) = [[0],[0]]. Merci et très bonne vidéo
Bonjour, pour la partie à 26:26 dans votre tableau numpy la première valeur est à 0, j’ai refait toute cette partie de la vidéo avec une image similaire et je rencontre exactement le même problème que vous, sur mon image s’affiche distinctement 7 bactéries de taille non négligeable néanmoins l’une d’entre elle à pour size 0. J’ai cherché mais je n’ai pas trouvé la raison, auriez vous une idée ? Très bonne vidéo au passage
Salut Guillaume, est ce normal que ta transformé de Fourier soit compris entre 0 et 0.5 Hz ? Si oui quelle est le rapport entre les fréquences dans le domaine temporel et fréquenciel ? Merci d'avance et continue tes vidéos sont sooo useful !
Merci pour cette video. Petite note, la FFT s'utilise aussi pour les signaux apériodiques... D'ailleurs les lecteurs audio de fichier MP3 affichent des histogrammes ou mêmes des effets divers et variés et certains éclairages pour les fêtes se basent sur ce principe. Le principe de la FFT pour les signaux apériodiques est un peu complexe par contre et je crois qu'il se base sur les "ondelettes".
Oui ce que tu dis est vrai, mais pour garder les idées claires pour l'audience j'ai préféré dire qu'il vaut mieux utiliser Fourier sur les signaux périodiques car c'est comme ca que c'est utilisé de base. En tout cas c'est comme ca qu'on l'apprend d'abord en prépa ou a l'université. Je ne savais pas pour les fichiers MP3 merci de m'avoir appris qqch :)
@@MachineLearnia Pas faux. C'est vrai que c'est plus approprié pour les signaux périodiques. En automatique, on utilisait aussi beaucoup la transformée de Laplace qui s'y rattache pour certains aspects. Ca permet de traiter particulièrement bien le problème des régimes transitoires. Après, il y a aussi la transformée en Z mais je ne sais pas si il existe des fonctions en Python pour l'une de ces deux méthodes de calcul... En tout cas, ton filtrage numérique de fréquences est magnifique surtout pour qqn qui a l'habitude des filtres analogiques. Pour avoir une idée plus concrète du résultat, il faudrait jouer l'audio de ton signal non filtré et ensuite du signal filtré. Ah, dans le domaine, un site gratuit assez bien fait pour faire ses propres calculs : www.micromodeler.com/dsp/
Je ne connaissais pas ce site, il est super, merci ! Oui il y a des librairies opensources construites sur numpy pour faire des transformer en Z, mais personnellement je me suis construit ma propre bibliotheque de fonctions pour faire cce genre de choses quand j'en ai besoin (mais ca n'arrive pas vraiment en data science)
Je pense qu'il va falloir vous posez quelques questions pour bien comprendre la nature du problème, Je vous propose de rejoindre le discord de la communauté pour trouver des réponses.
Bonjour Guillaume. Une petite question à 21'50" au sujet du format de l'image bacteria.png qui à l'origine est à 3 dimensions (càd en couleur j'imagine). Quand on prend juste la première dimension (/couleur ?) en excluant les 2 autres, est-ce que l'on passe automatiquement en dégradé de gris ? Ce n'est pas du format RGB alors sinon l'image filtrée serait en dégradé de rouge non ?
Bonjour ! C'est une bonne question ! En fait en premier uniquement une seule couche on obtient juste des informations allant de 0 a 255. ca peut etre du bleu, du rouge, du vert, mais la machine ne peut pas le savoir ! Donc elle traite cela uniquement en tant que dégradé noir-blanc. Cela dépend uniquement du moteur graphique (la colour map) que vous choisissez.
do you know any free resources (playlist course) that you recommend to a 13 year old teenager who knows a little python and has followed this playlist so far to improve his level in linear algebra and statistics and if possible specialized in machine learning and deep learning In french or english Thank you Keep it up machine learnia
@@MachineLearnia thank you!! i wanna ask if you permit ; if you know a statistics course or playlist that you think can help me to learn Machine learning and Deep learning:) French or english Thank you for helping me 😊
@@amineziad5099 there is the statistics crash course, and for the maths check out khan academy you can learn all the maths you need it's not that hard if work hard enough, i'm a 13yo too :)
Bonsoir Guillaume. Mercier beaucoup pour tes vidéos. Cependant j'ai deux préoccupations : 1) Pour le traitement de signal comment j'importe et je transcris un fichier audio en signal pour pouvoir le traiter. 2) Par traitement d'images, j'ai essayé avec une image de bactéries (en couleur) mais quand j'ai voulu isoler les bactéries, l'image que j'obtiens ne ressort pas vraiment les bactéries ( c'est trop flou). Et aussi est-ce qu'il y a possibilité de faire le traitement de l'image à couleur en même temps ?
1. Je vous conseille d'utiliser les outils tels que www.tensorflow.org/io/tutorials/audio 2. Oui vous pouvez faire du traitement a la couleur avec la meme méthode, mais il est vrai qu'il faut regler tous les parametres pendant un certains temps.
Merci tout d'abord pour tes vidéos. Comment je saisis cette fonction: la somme de i=1 à m=nombre de mesures (Qi-(R*(X1+X2+X3+X4))) Avec Qi: les mesures d'un capteur; R: constante; X1,X2,X3,X4: des variables. Merci d'avance pour votre réponse.
Je trouve que tu fais de belle et bonne vidéo. Peux tu en faire sur l'optimisation non linéaire con contraint par exemple. Merci à toi surtout pour tout.
vous êtes le meilleur, par ailleurs j'ai voulu savoir s'il ya des vidéos sur le traitement des données avec ML , comme la détection des valeurs aberrantes, redressement ou correction des données avant de l'utiliser pour des raisons d'analyse
bonjour, dans la vidéo tu explique que interpolate permet de générer une fonction qui va parfaitement épouser la forme d'une autre fonction qui par exemple manque de données. je me suis donc demandé si c'est possible d'utiliser la fonction interpolate afin de remplacer les valeurs NAN d'un dataset par des valeurs approximatives, est ce que procéder de cette façon là ne va pas fausser nos calcul qi on travail avec un dataset qui aurait subit une tel manipulation? et si c'est bonne façon de faire est ce cette méthode est plus pertinente que le fait d'utiliser la fonction isNAN pour mettre toutes la valeurs NAN à zero? Et au fait super vidéo comme d'habitude même si parfois tu va un peu vite, il faut donc regarder plusieurs fois pour bien comprendre mais je ne me lasse pas de cette formation.
Bonjour et merci a toi. Tu poses une excellente question, je parle dans une vidéo futures des stratégies pour le traitement des NaN. En effet il est plutot rare de faire appel a la fonction interpolate de scipy pour "completer" les NaN d'un Dataset, mais ca m'est arrivé une fois dans un projet semblable a ce que je décrit en début de vidéo, et les résultats de notre équipe furent excellent. Maintenant Interpolate est un outil qui est surement utilisé dans pleins d'autres situations, les applications sont inombrables, voila ! :) Désolé si je vais un peu vite, j'essaie justement de faire une vidéo "utile" dans laquelle je ne gache pas le temps des gens a faire des phrases inutiles (c'est pour ca que j'écris et je prépare un script longtemps a l'avance que je travaille pour l'otpimiser,... mais ca me prend parfois beaucoup d'effort pour au final avoir une vidéo peut-etre un peu trop rapide, je le concois. Parfois il m'arrive meme de revoir une vidéo que j'ai sortie par le passé pour voir la qualité, et la vitesse me gene un peu il est vrai.. mais je suis tres critique de mon travail, peut-etre un peu trop...) Merci en tout cas pour ton retour, c'est tres utile d'avoir ce genre d'info !
Bonjour je remarque un comportement différent, peut-être que la version de scipy a été modifiée, mais vers 11:41 si je prends x0=np.zeros((2,1)) tel que dans la vidéo, j'obtiens une erreur (raise ValueError("'x0' must only have one dimension.")) par contre en définissant x0=[0,0] tout va bien. J'utilise python 3.11.5 et scipy 1.11.1.