Nouvelle vidéo. J'ai essayé de ralentir le débit de parole. Est-ce que ce type de contenu, plus technique, vous plait ? N'hésitez pas à commenter, liker et partager autour de vous. Je publie le code dès que je l'ai nettoyé. Bon visionnage !

Remarquable, clair, en Français, et surtout le niveau technique que j'attendais

Travail absolument remarquable et qualitatif. J'apprécie particulièrement l'utilisation de code en direct et surtout de proposer de suivre historiquement l'évolution du text mining.

Une des meilleure vidéo (la?) sur le sujet : bien expliqué, belle mise en forme, en français, avec du code pratique pour comprendre. Merci !

Bravo pour la pertinence, la complétude et la clarté!

C'est super clair ! Merci beaucoup et bravo !!!

Très bon format, je trouve toujours intéressant de refaire la genèse, l'histoire de quelque chose, ça permet de mieux aborder, expliquer un problème, tout en améliorant sa culture générale

Franchement clair, c'est super ! Très agréable de retrouver du contenu de qualité en français

Vidéo super intéressante, j'attends avec impatience la prochaine.

Excellente explication Merci

I looove the way you explained embedding from its early ages and by showing code examples, thanks for the video it was really beneficial.

Je dois bien l'avouer, c'est très bien expliqué, précis et sans détours, ça mérite un pouce et un abonnement.

Vidéo de grande qualité, tout est très clair. Merci

J'adore ta chaine ! J'ai regardé plusieurs de tes vidéos et à chaque fois le contenu est super bien réalisé : c'est clair, efficace et ton enthousiasme est communicatif ! Merci beaucoup :)

Bonjour, Les explications sont claires et nettes. Merci encore!!!!

De loin la meilleure vidéo sur le sujet ! Merci beaucoup ! Je m'abonne

Bonjour ! Je trouve que c'est mieux comme ça ! Encore une fois vidéo très intéressante ! PS : Bravo pour ton article !

c le meilleur tuto ever !!! j'ADORE la facon dont vous explique les choses !!! un grand MERCIIIIIIIII

Excellent vulgarisation ! BRAVO

C'est magnifique ce que tu fais, continue bien et bon courage

Merci pour la vidéo, j'ai testé, ça aide bien pour tricher, heu jouer à cemantix ! Allez voir ce jeu, c'est exactement dans le sujet. Reste à trouver le même dictionnaire...

Merci infiniment pour cette vidéo, excellent travail , keep it up

Video très intéressante, bravo !! Continuez à en faire vous avez gagnez un abonné ;)

C'est excellent. Excellent.

Waouww ! Top content

Franchement au top !!

J'adore..merci!!

Bonjour, pourquoi vous ne publiez plus? Vos vidéos sont très intéressantes.

Parfait merci bien pour l'effort

Une super vidéo encore une fois

Super clair et en français, merci ! Une idée, ça serait de faire une vidéo avec un modèle français comme FlauBERT et ainsi aborder BERT ??

Sgenial. Merci

Super vidéo! J'espère qu'il y en aura d'autre... Petite question, comment faire pour le faire avec des mots français? Comment je peux trouver un dictionnaire similaire à celui utilisé svp?

c'est ou la vidéo sur l'analyse de sentiment stp ?

+1 abo

Bonjour très intéressant, pouvez vous faire une vidéo sur Doc2Vec?

Super vidéo J’ai adoré J’ai appris pleins de choses Questions 1) le word embedding ne pourrait-il pas être utilisé en cryptographie, par exemple pour décrypter les messages du zodiac ( même s’ils ont été décryptés) Question 2) qui est plutôt une proposition si je veux utiliser ce type de modèle en python par où dois-je commencer ?

Bon boulot. Et Homo Deus en fond :-) Comme à la maison!

Superbe vidéo, rien à redire.

on peut avoir le fichier ?

"...et nous avons une solution pour cela" Et là Paf c'est la panne électrique 😅

le vidéo est top mais ce n'est pas l algo de word2vec qui est présenté, c'est juste une manière de faire du word embedding (word to vector et non word2vec) avec TF IDF et la théorie de Zellig Harris. Word2vec est l'utilisation d'un réseau de neurone, ou en utilisant la couche caché on peut avoir les embeddings des mots

Bonjour super vidéo ! Toutefois j'ai du mal à comprendre le tf ID. Dans l'exemple croquettes n'a pas le même poids dans les deux phrases. Alors qu'il y a le même nombre de mot. Est ce que le contexte modifie le poids des mots ? J'imagine que oui car le contexte importe dans le sens général d'une phrase. Si on a "A mange B" et "A ne mange pas B" on souhaite donner à manger un poids opposé. Est ce bien cela ? Sur la comparaison des phrases intuitivement je me dit que si les phrases n'ont pas le même nombre de mot, ca pourrait donner des phrases avec des sens éloignés alors qu'en réalité non. Sais tu si c'est un problème rencontré? Merci

Dinguerie comment la vidéo elle est bonne

votre site web est inaccessible