Science des données avec Matplotlib dans Python

1. Vidéo d'introduction: Bonjour à tous et bienvenue dans mon dernier cours, Data Science avec matplotlib en Python. Alors qui suis-je et pourquoi devriez-vous m'écouter ? Eh bien, je suis un programmeur paresseux et je suis l'auteur de plus de 30 cours en ligne sur la science des données, l'apprentissage automatique et l'analyse financière. J'ai deux masters en ingénierie et en statistiques. Ma carrière dans ce domaine s' étend sur plus de 15 ans. J'ai travaillé dans plusieurs entreprises que nous appelons aujourd'hui Big Tech et dans plusieurs startups. Grâce à la science des données, j'ai augmenté mes revenus de plusieurs millions de dollars grâce aux équipes que je dirige. Mais surtout, je suis très enthousiaste à l'idée de vous proposer cette technologie essentielle. Alors, quel est l'objet de ce cours ? Ce cours vise à vous enseigner les compétences de base à l'aide de la bibliothèque matplotlib, devenue la norme au cours de la dernière décennie pour la science des données avec Python, vous apprendrez à créer différents types de diagrammes, tels que des graphiques linéaires, des nuages de points, histogrammes et même la façon de tracer des images. Ces compétences sont essentielles si vous souhaitez faire de la science des données et visualiser vos données et vos résultats. Alors, qui doit suivre ce cours et comment vous y préparer ? Ce cours est conçu pour les étudiants qui s' intéressent à la science des données et à l'apprentissage automatique et qui ont déjà une certaine expérience des bibliothèques informatiques numériques telles que NumPy. La deuxième compétence dont vous aurez besoin concerne certains langages de programmation de base, très bien, mais comme ce cours utilise Python, ce serait idéal. Heureusement, Python est un langage très facile à apprendre. Donc, si vous connaissez déjà une autre langue, vous ne devriez pas avoir de mal à rattraper votre retard. Pour ces deux sujets. Une compréhension de niveau secondaire devrait être suffisante. Au premier cycle, la compréhension serait encore meilleure. Donc, en termes de ressources, quelles ressources aurez-vous besoin pour suivre ce cours ? Heureusement, pas grand-chose. Vous aurez besoin d'un ordinateur, d'un navigateur Web et d'une connexion à Internet. Si vous regardez cette vidéo, cela signifie que vous remplissez déjà ces conditions. Voyons maintenant pourquoi vous devriez suivre ce cours et ce à quoi vous devez vous attendre. Eh bien, ce que j'ai remarqué après avoir enseigné l'apprentissage automatique pendant de nombreuses années, c'est qu'il existe un énorme fossé dans les connaissances. Les étudiants suivent un cours d'apprentissage automatique souhaitent apprendre l'apprentissage automatique. Et ils comprendront les concepts, mais n'auront aucune idée de la manière de les mettre dans du code parce qu'ils ne savent pas vraiment comment coder. Ce cours vise à combler cette lacune en créant un pont entre un revêtement ordinaire et le type de codage dont vous aurez besoin pour la science des données et l'apprentissage automatique, particulier pour le traçage et la visualisation. vos ensembles de données. À la fin de ce cours, vous aurez suffisamment appris pour utiliser ce que vous avez appris sur un jeu de données réel. En fait, c'est ce que nous allons faire dans le cadre de notre projet final. J'espère que vous êtes tout aussi enthousiaste que moi à l'idée de découvrir cette incroyable bibliothèque. Merci de m'avoir écouté, et à bientôt lors de la prochaine conférence. 2. Contour de Matplotlib: Dans cette conférence, je vais vous présenter la section suivante de ce cours, qui porte sur Matplotlib. Matplotlib est une bibliothèque que nous utiliserons pour visualiser nos données. Cette section sera assez courte par rapport à la section num pi, car dans votre étude des algorithmes d'apprentissage automatique, vous n'avez vraiment besoin que de quelques tracés. ne s'agit pas de créer des rapports ou des présentations ou quoi que ce soit d'autre. Nous sommes intéressés par des graphiques qui nous aideront spécifiquement à implémenter des modèles d'apprentissage automatique. Cela étant dit, qu'allons-nous aborder dans cette section ? abord, nous allons parler de graphiques linéaires. Les graphiques linéaires, malgré leur nom, sont utilisés pour tracer tout type de signal unidimensionnel. Par exemple, vous pourriez vouloir tracer une série chronologique comme le cours de l'action par unité de temps. Une onde sonore en est un autre exemple. Ainsi, par exemple vous pouvez charger un MP3 et regarder comment l'amplitude change au fil du temps. Les musiciens regardent les graphiques linéaires comme celui-ci toute la journée, sauf que lorsque vous les regardez du point de vue d'un musicien, les lignes sont si rapprochées qu'il du point de vue d'un musicien, est impossible de voir les valeurs individuelles à chaque pas de temps. Ensuite, nous allons examiner un type de diagramme très important, le nuage de points. Le nuage de points. Examinons nos données d' un point de vue géométrique. En fait, lorsque nous pensons, par exemple, à un problème de classification ou à un problème de regroupement, nous pensons souvent qu'en termes d'image géométrique, c'est exactement comme lorsque vous avez des données de très grande dimension, ce sont des données que vous pouvez voir. Nous essayons toujours de trouver des moyens réduire la dimensionnalité afin pouvoir les voir sur des diagrammes comme celui-ci. Nous allons maintenant examiner un autre graphique important, l'histogramme. L'histogramme est important car il nous permet de voir la distribution de nos données. Et bien entendu, par distribution, probabilité, distribution, les algorithmes d'apprentissage automatique sont souvent définis à l'aide du langage des probabilités. Il est donc très important de pouvoir examiner la distribution de vos données pour déterminer le type de distribution déterminer le type de distribution dont elles disposent. Enfin, nous allons voir comment tracer des images. Les images constituent un type de données très important dans l'apprentissage automatique moderne. Le domaine de la vision par ordinateur a explosé grâce au deep learning. Et grâce à ces avancées, nous sommes plus proches que jamais des véhicules autonomes et des robots autonomes. Cela permettra également de répondre à la question suivante : comment exactement une image est-elle représentée à l'intérieur de l'ordinateur ? Comme vous le verrez bientôt, ce n'est rien que nous ne savons déjà. 3. Graphique de ligne: Dans cette conférence, nous allons voir comment créer un graphique linéaire. abord, nous allons commencer par importer les bibliothèques nécessaires. Donc, pour cette section, il faudrait importer numpy en tant que np et importer le tracé cartographique lib point pyplot en tant que PLT. Très bien, nous allons ensuite créer fausses données pour l'axe X. D'ailleurs, même si cette section et les sections suivantes ne concernent pas directement NumPy, cela ne signifie pas que vous ne serez pas exposé aux nouvelles fonctionnalités de NumPy au fur et à mesure. C'est donc exactement ce que nous allons faire maintenant. Donc, x est égal à aucun point dans l'espace 021000. Alors, à quoi ça sert ? Cela crée un tableau unidimensionnel avec 1 000 points régulièrement espacés, de 0 à 20. Ensuite, nous allons générer de fausses données pour l'axe Y. Supposons que y soit égal à np point sinus x plus 0,2 fois x. Cette fonction n' a rien de spécial . C'est totalement arbitraire. Ensuite, nous traçons nos données. Eh, nous pouvons y parvenir en faisant plt.plot x, y. Maintenant, il est important de noter que si vous n'utilisez pas de bloc-notes, que ce soit un bloc-notes Colab ou Jupyter sur votre machine locale, vous allez ne rien voir de cette seule ligne de code. Au lieu de cela, vous devez appeler une fonction supplémentaire, qui est plt.show. Essayons ça. Ce serait donc plt.plot x, y, plt.show. Comme vous pouvez le constater, cela n'a pas vraiment effet si vous êtes déjà dans le bloc-notes. Ensuite, nous allons ajouter quelques informations à notre graphique. Supposons que je veuille étiqueter l'axe X. Nous allons donc d'abord avoir notre intrigue. Donc, nous allons plt.plot x, y. Et puis pour étiqueter l'axe x, je peux faire plt.plot x label, et appelons-le simplement input. De même, si je veux étiqueter l'axe y , je peux faire plt.show y label. Et appelons cela la sortie. Enfin, disons que je veux ajouter un titre, puis je peux faire plt.show title, mon intrigue. OK, alors essayons ça. Et nous obtenons notre titre, notre étiquette Y et notre étiquette X. Maintenant, vous remarquez quelque chose de bizarre, à savoir que le carnet imprime toujours la dernière chose renvoyée par un code. Donc, dans notre cas, c'était ça. Puisque la fonction de titre du PLT renvoie quelque chose, nous le voyons dans la case ci-dessous, bien que nous ne le voulions probablement pas. Donc, une chose que nous pouvons faire pour supprimer cette sortie est de simplement terminer la ligne par un point-virgule. Nous allons voir ça. OK, et maintenant cette sortie disparaît. 4. Scatterplot: Dans cette conférence, nous allons examiner un autre type de visualisation très important, le nuage de points. Bien entendu, pour avoir un nuage de points qui ressemble vraiment à quelque chose, nous allons avoir besoin de données aléatoires. Commençons donc par créer des données aléatoires à partir de la normale standard avec la forme 100 par deux. Cela fait donc 100 observations. Et en deux dimensions. Nous faisons x égal à aucun point, point aléatoire et n 102. Maintenant, vous vous demandez peut-être pourquoi 100 par deux. Cela nous donne 100 points de données avec une dimensionnalité de, nous aurions pu choisir 500 points de données, mais 100 c'est très bien. Mais les deux sont nécessaires. N'oubliez pas que les écrans d'ordinateur eux-mêmes sont bidimensionnels. Ainsi, pour spécifier les coordonnées x et les coordonnées y, nous devons avoir deux dimensions ni plus ni moins. Vous pouviez également créer des nuages de points en trois dimensions . Et c'est ce que nous proposons dans mes autres cours, mais cela n'entrerait pas dans le cadre de ce cours. Donc, pour créer un nuage de points, nous appelons plt.show scatter. C'est donc la dispersion du PLT. Je vais passer x deux-points zéro et x deux-points un. Donc, x, deux-points, zéro, est la première colonne de X et X, la première colonne est la deuxième colonne de X. Et pour être clair, le premier argument correspond à l'axe horizontal, et le second argument correspond à l'axe vertical. Essayons-le donc. Très bien, donc nous obtenons notre nuage de points. Maintenant, dans le domaine de l'apprentissage automatique nous nous intéressons souvent à la classification ou au regroupement, où nous aimerions dessiner des nuages de points de données avec différentes couleurs indiquant les différentes classes. Voyons donc si nous pouvons créer un nuage de points comme celui-ci. abord, nous allons générer des données aléatoires, encore une fois avec de la dimensionnalité, disons que x est égal à np point aléatoire point aléatoire 200 à la suivante, j'aimerais que la moitié de ces données soit centrée sur un lieu. N'oubliez pas que la fonction aléatoire s'inspire de la normale standard. Donc, par défaut, tous ces points sont actuellement centrés à zéro. Supposons que je veuille que la première moitié de ces points de données soit centrée sur trois. Pour ce faire, je peux juste faire x deux-points 50 plus égal à trois. Le deux-points signifie donc sélectionner toutes les lignes de l'index zéro à l'index 50. Et un plus est égal à trois signifie ajouter trois à tous les éléments. Ensuite, nous allons générer des étiquettes. Commençons par créer un tableau de zéros de taille 200. Donc, y est égal à np.zeros 200. Ensuite, nous allons définir la première moitié de ces étiquettes afin que tous les points centrés sur trois soient étiquetés un et que tous les autres points soient étiquetés zéro. Nous pouvons y parvenir en faisant pourquoi le côlon 50 est égal à un. Enfin, nous pouvons dessiner notre nuage de points. C'est donc presque la même chose qu'avant, sauf que maintenant nous allons également utiliser l'argument C et le transmettre et pourquoi ? Et évidemment, C signifie couleur. Donc, PLT scatter x0x1c est égal à y. Il est donc parfois difficile de voir votre code car ces éléments apparaissent pour vous montrer l'API. Donc, la façon dont cela fonctionne est que ce que vous transmettez pour C doit être une liste unidimensionnelle ou un tableau unidimensionnel contenant des entiers correspondant à la façon dont vous souhaitez colorer les points de données. Alors exécutons-le. Et nous obtenons notre diagramme de dispersion des couleurs. 5. Histogramme: Dans cette conférence, nous allons examiner un autre graphique essentiel, l'histogramme. Comme les histogrammes sont utilisés pour tracer la distribution des données, nous allons avoir besoin de quelques nombres aléatoires. Commençons donc par créer 10 000 nombres aléatoires à partir de la normale standard. Donc, X est égal à aucun point aléatoire, au hasard 10 000. Ensuite, nous allons tracer un histogramme. Donc, si vous avez déjà programmé dans un autre langage scientifique, vous l'avez peut-être deviné vous-même. C'est juste PLT point hist x. Très bien, et c'est notre histogramme. Maintenant, avec autant de points de données, il est possible d'obtenir un meilleur tracé en ayant plus de barres. Nous pouvons y parvenir en utilisant l'argument bins. Nous pouvons donc faire plt.plot x bins égal à 50. Et c'est bien sûr une façon de confirmer que nos données proviennent réellement de la norme standard. Nous avons une courbe en cloche centrée autour de zéro. Et environ 95 % du poids se situe entre plus ou -1,96. Et évidemment, je viens de l'inventer. Je ne peux pas le dire en le regardant. Maintenant, juste par curiosité. Nous pouvons également vouloir confirmer que les échantillons de la fonction aléatoire proviennent de la distribution uniforme. Nous allons donc générer des données à partir de la fonction aléatoire. Donc, x est égal à aucun point aléatoire, aléatoire à 10 000. Et dessinons un histogramme. Ainsi, plt.plot x est égal à 50. D'accord, donc c'est assez plat, mais pas exactement, je suis sûr que cela aurait air plus plat si vous aviez moins de poubelles. Quoi qu'il en soit, il est assez clair que la fonction aléatoire est effectivement échantillonnée à partir de la distribution uniforme 01. 6. Images de tracage: Dans cette conférence, nous allons discuter de la façon de tracer des images. Il est maintenant utile de mentionner que nombreux ensembles de données d'apprentissage automatique célèbres, tels que m-nest et C4 ten ou des ensembles de données d'images. Mais ces ensembles de données ne sont pas stockés sous forme fichiers image réels. Par exemple, sur votre ordinateur, vous pouvez avoir des images au format JPEG ou PNG. Cependant, certains ensembles de données d'apprentissage automatique sont stockés dans différents formats, sorte que l' ensemble de données contenant plusieurs images peut être stocké dans un seul fichier. Pour nous, dans cette conférence, nous ne nous intéresserons qu' à des images uniques comme celles que vous pourriez avoir sur votre ordinateur. Donc, pour commencer, nous allons télécharger une image depuis Internet à l'aide de la commande W get. Maintenant, bien sûr, tu n'as pas à choisir le même fichier que moi. Vous ne souhaitez probablement pas saisir cette URL à la main. Donc, dans le cadre de votre exercice pour cette conférence, veuillez trouver votre propre image et obtenir l'URL de cette image. Vous pouvez suspendre cette vidéo jusqu'à ce vous trouviez l'image que vous souhaitez utiliser. Je vais récupérer l'URL de mon carnet pré-écrit. D'accord, vous pouvez donc voir à la sortie de la commande W get que nous avons téléchargé un fichier appelé Lena point PNG. Ensuite, nous allons utiliser une bibliothèque appelée Pillow, qui nous aidera à charger notre image. Importons donc un oreiller en le faisant à partir de l'image d'importation PIL. Ensuite, nous allons utiliser un oreiller pour charger notre image. Donc pour moi, je suis égal à point d'image ouvert Lena point PNG. Maintenant, bien qu'il s'agisse de la pile num pi, cette valeur de retour n'est pas un tableau NumPy. Nous pouvons vérifier le type de cet objet pour le confirmer. Nous ne faisons donc que taper. Je le suis. Et nous pouvons voir qu' il s'agit d'un fichier image PNG. Heureusement, il est très facile de le convertir en tableau NumPy. Nous pouvons simplement le faire comme si nous convertissions des listes en tableaux NumPy. Un tableau est égal à aucun tableau de points. Je le suis. Maintenant, la raison pour laquelle cela fonctionne est que les images sont représentées sur les ordinateurs sous forme de tableaux. Si vous y réfléchissez bien, une image a deux dimensions  : hauteur et largeur. Pour chaque emplacement, le long de sa hauteur et de sa largeur, il possède une valeur de couleur. C'est donc exactement ce qu'est ce tableau. C'est une boîte de chiffres. Nous pouvons imprimer le tableau pour le confirmer. Il suffit donc de faire ARR. Et c'est notre image représentée sur un ordinateur. Maintenant, il y a quelque chose d' intéressant à propos de ces chiffres, que vous découvrirez plus Si jamais vous suivez un cours avec moi sur la vision par ordinateur ou le traitement d'images, tous ces chiffres semblent être des entiers plutôt que des virgules flottantes, et ils sont tous de 0 à 255. Si nous faisons défiler la page vers le bas, nous pouvons voir que le type D de ce tableau est un huit. C'est-à-dire que les nombres sont des entiers non signés de huit bits. Il devrait donc être tout à fait logique pour vous que ces nombres soient de 0 à 255, puisque deux sur huit font que ces nombres soient de 0 à 255, 256, et donc avec un bit, c'est le nombre total d' entiers possibles que nous pouvons représenter. Regardons la forme de notre réseau. donc ce que l'ARR façonne. Il est donc intéressant qu'il s'agit d'un tableau tridimensionnel de 512 x 512 par trois. Alors, que signifient ces chiffres ? Eh bien, les deux premières dimensions, ou dimensions spatiales, se situent à la hauteur et à la largeur de l'image. Mais pourquoi existe-t-il une troisième dimension de la taille 3 ? En effet, pour chaque emplacement de l'image, nous devons stocker la couleur de ce pixel. Et il se trouve que les couleurs sont stockées à l'aide de trois valeurs. Plus précisément, il s'agit du canal rouge, du canal vert et du canal bleu. Ces trois chiffres nous indiquent la quantité de rouge, de vert, bleu à combiner pour créer la couleur à cet endroit ? Et au fait, juste pour que tu saches, ils enseignent ce genre de choses à la maternelle. Donc, si vous vous sentez confuse, ce soir, vous devrez peut-être demander aide à vos enfants pour vos devoirs. Alors, comment tracer cette image ? Eh bien, nous utilisons une fonction appelée IM show. Alors faisons-le. Ce serait plt.plot. Je suis show ARR. Comme vous pouvez le constater, il s'agit de la célèbre image de Lena utilisée dans tous les cours et toutes les existences de vision par ordinateur. Et d'ailleurs, cela fonctionne également avec l'image d'origine. Nous pouvons donc faire plt.plot Show. Je le suis. Aujourd'hui, une chose que nous faisons souvent en vision par ordinateur est de travailler avec des images en niveaux de gris, également appelées images en noir et blanc. Un moyen simple de convertir une image couleur en image noir et blanc consiste à prendre la moyenne entre les canaux de couleur. Essayons ça. Donc, le gris est égal à l'axe moyen du point ARR est égal à deux. Et si nous vérifions la forme de notre nouvelle matrice, nous pouvons voir qu'elle mesure 512 x 512, ce qui signifie que nous avons réduit la dimension de couleur, ce que nous voulions. Alors, que se passe-t-il si nous tracons cette image en utilisant IM show, faites plt.show. Je suis Show Greg. C'est intéressant Il semblerait qu'on nous ait donné un ensemble de couleurs étrange, mélange étrange de vert et de jaune. Maintenant, il est important de noter qu'il ne s'agit pas couleurs réelles stockées dans l'image elle-même. Ce ne sont que des nombres de 0 à 255, donc ce n'est pas comme si 255 était vert et zéro était jaune. Ces couleurs sont en fait décidées par matplotlib. Si vous utilisiez un langage de programmation différent ou même une version différente de Matplotlib ou Python. Ces couleurs peuvent apparaître différemment. Il s'agit essentiellement de ce que l'on appelle une carte thermique. Donc, en fait, vous apprenez simplement à faire deux choses à la fois. Mais nous aimerions quand même savoir comment tracer cette image en niveaux de gris, en niveaux de gris réels. Pour ce faire , nous pouvons utiliser l' argument CMAP. Essayons donc ça. Donc c'est PLT, la messagerie instantanée affiche le CMAP gris égal à Greg. Et comme prévu, notre image a été tracée en niveaux de gris. 7. Exercice de matplotlib: Dans cette conférence, je vais vous donner un exercice pour mettre en pratique ce que vous avez appris dans cette section. Dans cette section, vous allez générer et tracer ce que j'appelle le jeu de données XOR généralisé. Alors pourquoi est-ce que je l'appelle le XOR généralisé ? Eh bien, si vous avez une formation en informatique ou en ingénierie et que vous avez déjà entendu parler du XOR. C'est une porte logique. Il effectue une opération logique comme les portes AND, OR et NOT. Nous pouvons écrire le XOR à l'aide d'une table de vérité où X1 et X2 sont les entrées et y est la sortie. Si x1 et x2 sont tous deux nuls, alors y est nul. Si x1 ou x2 est un, mais pas les deux, alors y est un. Si x1 et x2 ne font qu'un, alors y vaut à nouveau zéro. La raison pour laquelle nous l'appelons le XOR, qui signifie OR exclusif est qu'il diffère de la normale ou de l'opération en ce sens que la dernière rangée ne ferait qu' un avec la normale. Ou. Maintenant, bien sûr, si nous tracions cela, ce ne serait que quatre points, ce qui n'est pas si intéressant. Cela semble un peu mieux, sont des points éparpillés de manière aléatoire, comme ce que vous verriez dans un ensemble de données d'apprentissage automatique. Donc, si nous divisons les données en quatre quadrants, puis en haut à gauche et en bas à droite, nous aurons une couleur dans les coins supérieur droit et inférieur gauche, nous aurons une autre couleur. Votre travail consiste à générer ces données et à créer un nuage de points comme celui que vous voyez ici. Pour rendre les choses un peu plus difficiles, notez que ces quadrants sont définis entre moins un et plus un, et non 0,1. Bonne chance, et je vous verrai lors de la prochaine conférence. 8. Où obtenir des coupons de réduction et du matériel de machine learning gratuit: Bonjour à tous et bon retour dans ce cours. Dans cette conférence, je vais répondre à l' une des questions les plus courantes que je me pose. Où puis-je obtenir des coupons de réduction et du matériel de deep learning gratuit ? Commençons par les coupons. J'ai plusieurs moyens pour vous tenir au courant de moi. moyen absolu meilleur moyen absolu pour vous tenir au courant des coupons de réduction récemment publiés est de vous abonner à ma newsletter. Vous pouvez le faire de plusieurs manières. Tout d'abord, vous pouvez visiter mon site Web, lazy programmer point. En haut de la page, vous pouvez saisir votre adresse e-mail et vous inscrire à la newsletter. autre site Web que je possède et gère Deep Learning courses.com est un autre site Web que je possède et gère. Ce site Web contient en grande partie les mêmes cours que ceux que vous voyez sur cette plateforme, mais il contient également du matériel VIP supplémentaire. Nous en reparlerons plus tard. Donc, si vous faites défiler la page vers le bas de ce site Web, vous trouverez une boîte pour saisir votre adresse e-mail, qui vous inscrira la newsletter comme vous le feriez sur le programme paresseux de DOT ME. Vous n'avez donc qu'à faire l'une d'entre elles. Faisons maintenant une petite digression, car c' est une autre question courante que je reçois. En quoi consiste ce matériel VIP et comment puis-je l'obtenir ? Voici donc comment fonctionne le service VIP. Habituellement, lorsque je publie un cours, je le publie avec du matériel VIP temporaire, qui est réservé aux lève-tôt qui se sont inscrits au cours lors de mon annonce. C'est une belle petite récompense pour ceux d'entre vous qui se tiennent au courant de mes annonces et qui, bien sûr, les lisent. Il est important de noter que le matériel VIP peut être diffusé à tout moment. Par exemple, je ne pouvais pas apporter de mises à jour majeures à un cours trois ans après l'avoir commencé et faire une autre version VIP. L'objectif de Deep Learning courses.com est de disposer d'un site permanent pour ces supports VIP. Donc, même si cela peut être temporaire sur la plateforme sur laquelle vous vous êtes inscrit. Si vous vous inscrivez à la version VIP du cours, vous aurez accès au matériel VIP sur deep learning courses.com en permanence sur demande. Voici quelques exemples de matériel que vous pouvez trouver dans les sections VIP de mon TensorFlow. Bien entendu, il y a trois heures supplémentaires de matériel sur Deep Dream et la localisation d' objets. D'habitude, je ne publie pas le contenu VIP au format vidéo, mais c'était une exception. Un autre exemple de mon cours de pointe sur l'IA est une section écrite supplémentaire sur l'algorithme T3. Ce cours a couvert trois algorithmes au total. Donc, la section des extras qui vous donne un contenu de plus, ou en d'autres termes, 33 % de matériel en plus. Un autre exemple de mon chœur avancé de PNL et de RNN est une section sur la reconnaissance vocale utilisant le deep learning. En outre, le cours comporte une toute nouvelle section sur les prédictions boursières ou les réseaux de mémoire, selon la version du cours que vous suivez. La raison en est que je peux publier des versions légèrement différentes de chaque cours sur différentes plateformes. En raison du fonctionnement des règles sur toutes ces plateformes, je dois différencier les cours. Cependant, étant donné que je possède un site d'apprentissage en profondeur courses.com, c'est la seule plateforme qui contient la version la plus complète du cours, qui inclut toutes les sections. Veuillez noter que cela est rare, donc selon le cours que vous suivez, cela peut ne pas vous affecter. Très bien, alors revenons vers vous. Coupons de réduction et matériel gratuit. autres endroits où j'ai annoncé des coupons de réduction sont Facebook, Twitter et YouTube. Vous pouvez suspendre cette vidéo afin de pouvoir accéder à ces URL et me suivre ou vous pouvez suspendre cette vidéo afin de pouvoir accéder à ces URL et me suivre abonner à ces sites s'il s'agit de sites Web que vous utilisez régulièrement. Donc pour Facebook, que facebook.com slash paresseux programmeur point Emmy pour Twitter, c'est twitter.com slash lazy underscore scientists pour YouTube, youtube.com slash C slash lazy programmer x. De temps en temps, je publiais encore du matériel totalement gratuit. C'est bien si je veux simplement parler d'un sujet unique sans avoir à y faire un cours complet. Par exemple, je viens de publier une vidéo sur les prévisions boursières et sur les raisons pour lesquelles la plupart des autres blogs de cours abordent ce problème de manière totalement erronée. C'est un autre avantage de s' inscrire à ces activités. J'ai l'occasion de dénoncer de faux data scientists qui sont de véritables spécialistes du marketing. Alors que je ne ferais jamais un cours complet à ce sujet. Parfois, cela peut être sous forme écrite et parfois sous forme vidéo. Si c'est sous forme écrite, ce sera soit dans le cadre d'un programme paresseux et enseigné ME, soit en deep learning courses.com. S'il s'agit d'une vidéo, elle sera sur YouTube. Assurez-vous donc de vous abonner à moi sur YouTube. Si je publie une vidéo, je peux aussi publier un article à ce sujet sur le programmeur paresseux point ME. Et je pourrais également l'annoncer en utilisant d'autres méthodes dont j'ai parlé précédemment. Il s'agit donc de la newsletter, de Facebook, Twitter et évidemment de YouTube lui-même. Maintenant, je me rends compte que c'est beaucoup de choses et que vous n'utilisez probablement pas toutes ces plateformes. Je ne le fais certainement pas, du moins pas régulièrement. Donc, si vous voulez faire le strict minimum, voici ce que vous devez faire. Tout d'abord, inscrivez-vous à mon infolettre. N'oubliez pas que vous pouvez le faire soit sur le programme paresseux DOT ME, soit sur deep learning courses.com. Ensuite, abonnez-vous à ma chaîne YouTube sur youtube.com. Slash C slash lazy programmer x. Merci de m'avoir écouté et à bientôt lors de la prochaine conférence.