Post de IT&M STATS

Après plus d'un an de travail, j'ai le plaisir de vous annoncer la sortie de mon premier livre, "Le Deep Learning pour le traitement d'images" aux Editions ENI ! C'est le livre que j'aurais aimé avoir à ma disposition quand j'ai débuté en #deep learning. Il parle de #classification, mais aussi de #détection, #segmentation et d'autres applications ; il présente la théorie, mais aussi des aspects hyper pratiques et des trucs et astuces (comment organiser son code et ses résultats d'expérience, que faire quand "ça ne marche pas", quels hyperparamètres modifier en priorité, pourquoi et comment, etc.), ainsi que les questions éthiques soulevées par ces applications. Je vous souhaite une bonne lecture !

Ravie de partager ma récente certification en bioinformatique, dont nous avons effectué une initiation à Python ainsi que la modélisation de différents protéines avec revue sue l'AutoDocking et finalement la conception d'arbres phylogénétiques. Mon objectif est d'appliquer ces compétences et connaissances nouvellement acquises pour promouvoir des pratiques responsables dans le domaine de la bioinformatique. #Bioinformatique #Python #ModélisationProtéines #ArbrePhylogénétique

Hello chers amis, voici la vidéo sur l'implémentation de réseau de neurones pour la modélisation, elle fait suite à la précédente vidéo, dans cette vidéo on crée notre 1er modèle basé sur les neurones via mon application, avant il me fallait une demi voir une journée pour faire un tel modèle maintenant moins 1h me suffise avec mon application. ceci est très pratique si on est financier ou Data Analyst et qu'on voudrait utiliser la puissance des réseaux de neurones pour la prédiction et qu'on sait malheureusement pas écrire du code Python ou R. #datascience #AI #deeplearning #R #Python #machinelearning Shalom Tehe Yacouba Traore, MBA Franck Evrard KOFFI 🇨🇮 Eric patrice koffi N'dri

La #recherche #sémantique utilise des techniques de recherche #vectorielle pour comprendre le #sens des mots dans un contexte. En convertissant les mots en vecteurs mathématiques, elle permet de retrouver des informations #similaires en termes de sens, même si les termes exacts diffèrent. Cela améliore la pertinence des résultats par rapport à la recherche basée uniquement sur des correspondances lexicales. En ce qui concerne la récupération d'informations, les méthodes de recherche par vecteurs ont montré de bonnes performances, surtout lorsque les modèles d'#embeddings (la conversion du texte en vecteurs) ont été ajustés pour le domaine cible. Cependant, ces modèles peuvent rencontrer des difficultés face à des tâches "hors domaine", où le contenu des données est significativement différent de celui sur lequel le modèle a été entraîné. Lorsque l'ajustement n'est pas une option, la recherche en texte intégral (Full Text Search), qui repose sur la correspondance lexicale, peut être efficace. C'est pourquoi certaines approches de #recherche #hybrides, qui combinent les forces des méthodes sémantiques et lexicales, peuvent être utiles. Dans un article détaillé, Francois Pacull utilise #DuckDB et ses capacités de recherche full text (BM25 + index) et un petit modèle d'embeddings de microsoft (msmarco-distilbert-base-tas-b) pour proposer une solution de recherche hybride totalement #locale : création des embeddings et recherches sans call d'API externe. https://lnkd.in/dngjHTka

#100DaysOfCode Jour 18 : Défis avec les Méthodes d'Interpolation Aujourd'hui, j'ai continué à affiner le programme, mais malheureusement, les choses ne se passent pas comme prévu. Les méthodes d'interpolation linéaire et cubique ne fonctionnent toujours pas correctement. Cela affecte la qualité de la visualisation, rendant les résultats moins fiables. Même si c'est frustrant, ces défis font partie du processus d'apprentissage. Je vais me concentrer sur le débogage et l'amélioration de ces méthodes pour obtenir des résultats précis. #Geophysics #Python #IP #DataInterpolation #CodingChallenge #LearningByDoing

Bonsoir chers tous Hier, je vous ai décrit un peu mon parcours en #Biostatistique. Aujourd'hui, j'aimerais vous parler de l'une des découvertes les plus marquantes que j'ai faites au cours de cette formation : l'importance des #données surtout l’analyse de données. En Biostatistique, j’ai appris que la collecte de données(data) n'est que la première étape. Ce qui est vraiment transformateur, c'est la manière dont on analyse ces données pour en tirer des conclusions #essentielles. J'ai découvert l'importance de l'analyse de données pour comprendre les phénomènes et pour prendre des décisions éclairées en matière de santé publique et beaucoup d’autres domaines. C'est aussi grâce à cette filière que j'ai fait la connaissance de puissants outils de #programmation, tels que R, Python ... Ces logiciels sont devenus des outils indispensables dans mon parcours. R est particulièrement utilisé pour l'analyse statistique, tandis que Python m'a ouvert les portes du machine learning et de la manipulation avancée des données. Ils m'ont permis de traiter et d'analyser des ensembles de données complexes, et de découvrir des tendances et des patterns qui auraient autrement été invisibles pour mes projets. 💡 La maîtrise de ces outils a profondément enrichi ma compréhension de la biostatistique, et m’a permis d’utiliser les données pour résoudre des problèmes #statistiques. Dans les jours à venir, je vous parlerai un peu plus des langages de programmation et d’autres outils essentiels que j’ai découverts au fil de mon parcours. ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ Je me nomme Carine MINABA, étudiante en biostatistique et biologiste. Je suis passionnée de l'Intelligence Artificielle et de la Data Science, je prends part au challenge #100MotsPourUnJour aux côtés de nombreux autres jeunes passionnés d'écriture.

[ FORMATION ] Atelier introductif au Deep Learning - Gino Frazzoli Date : 21 Mai 2024 Heure : 14h00 - 16h30 Lieu : Campus Triolet, Bâtiment 31 (Polytech), Étage 1, Salle SC102 Venez découvrir une approche du Deep Learning. Une première partie vous apportera notions-clés et terminologie nécessaires pour comprendre et suivre le cas pratique proposé : la classification de deux espèces. Prérequis : Notions de code en Python Un compte Google Venir avec son propre ordinateur portable Ne manquez pas cette occasion pour plonger dans le Deep Learning ! C'est par ici : https://lnkd.in/dUnY_jaf Université de Montpellier • ISDM #DeepLearning #IA #DATA #Formation #Montpellier #Recherche

𝐕𝐢𝐬𝐮𝐚𝐥𝐢𝐬𝐚𝐭𝐢𝐨𝐧 𝐊-𝐌𝐞𝐚𝐧𝐬 𝐂𝐥𝐮𝐬𝐭𝐞𝐫𝐢𝐧𝐠 Le clustering 𝐊-𝐌𝐞𝐚𝐧𝐬 est une méthode puissante pour diviser vos données en groupes similaires. Sur cette illustration, chaque fleur représente un point de données, tandis que les ellipses montrent les regroupements formés autour des centroïdes (𝐥𝐞𝐬 𝐜𝐞𝐫𝐜𝐥𝐞𝐬 𝐛𝐥𝐞𝐮𝐬). 🔄 𝐌𝐢𝐬𝐞 à 𝐣𝐨𝐮𝐫 𝐝𝐞𝐬 𝐜𝐞𝐧𝐭𝐫𝐨ï𝐝𝐞𝐬 : À chaque itération, les centroïdes se déplacent pour minimiser la distance intra-cluster. Le résultat ? Des regroupements plus cohérents et une meilleure compréhension des tendances cachées dans vos données ! #MachineLearning #DataScience #KMeans #Clustering #AI #DataVisualization #Python

Je suis fière de partager avec vous ma diversité ethnique à travers les résultats obtenus par un script de deep learning. Bien que ce script ne soit pas aussi fiable que l'analyse génétique, il est basé sur une étude faciale pour détecter les différentes origines d'une personne en fonction de sa morphologie. #deeplearning #python #keras #tensorflow

Algorithme de l'analyse descriminante: ✨✨L'analyse discriminante est une technique d'apprentissage supervisé utilisée pour trouver une fonction discriminante qui permet de séparer ou de classifier les observations en différentes classes ou catégories. Son objectif principal est de déterminer la meilleure façon de discriminer entre les groupes ou classes d'observations en fonction de variables explicatives. Cette technique est souvent utilisée dans des domaines tels que la biologie, la médecine, l'économie et bien d'autres pour la classification de données. Voici une explication plus détaillée de l'algorithme de l'analyse discriminante: 1. Contexte de l'Analyse Discriminante L'analyse discriminante est généralement utilisée lorsque vous avez un ensemble de données étiqueté, c'est-à-dire que vous connaissez les classes auxquelles appartiennent vos observations. L'objectif est de trouver une fonction qui minimise la probabilité d'erreur de classification lorsqu'elle est appliquée à de nouvelles données. 2. Hypothèses Les variables indépendantes sont continues et suivent une distribution normale multivariée dans chaque classe. Les matrices de variance-covariance sont égales dans toutes les classes. Les classes ont la même priorité (probabilité a priori égale). 3. Les Étapes de l'Algorithme -Étape 1 : Calcul des statistiques descriptives Pour chaque classe, l'algorithme calcule les moyennes et les matrices de covariance des variables indépendantes. -Étape 2 : Calcul de la fonction discriminante L'objectif est de calculer la probabilité qu'une observation appartienne à chaque classe. Pour deux classes, il y a une seule fonction discriminante. Pour plus de deux classes, il y a plusieurs fonctions discriminantes. -Étape 3 : Classification des nouvelles observations L'observation est assignée à la classe avec la plus grande valeur de la fonction discriminante. 4. Types d'Analyse Discriminante -Analyse Discriminante Linéaire (ADL) : Lorsque les variables indépendantes sont continues et la relation entre les variables dépendantes et indépendantes est linéaire. -Analyse Discriminante Quadratique (ADQ) : Lorsque les matrices de variance-covariance ne sont pas égales entre les classes. -Analyse Discriminante de Fisher : Un cas spécial où l'on cherche à maximiser la séparation entre les classes. 5. Évaluation L'évaluation de la performance de l'analyse discriminante se fait généralement en utilisant des mesures comme la matrice de confusion, le taux d'erreur, la précision, le rappel, etc.