![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Série de conférenciers ETL : Ilya Sutskever, OpenAI
Série de conférenciers ETL : Ilya Sutskever, OpenAI
Dans une vidéo YouTube intitulée "ETL Speaker Series : Ilya Sutskever, OpenAI", Ilya Sutskever, co-fondateur et scientifique en chef d'OpenAI, aborde des sujets tels que les grands modèles de langage, les prémisses derrière les neurones artificiels, la conscience dans l'IA et la structure financière de organisations d'IA à but non lucratif. Sutskever souligne l'importance du progrès technique et de la bonne recherche pour le succès d'OpenAI et encourage les étudiants intéressés par l'IA et l'entrepreneuriat à explorer leurs idées uniques. Il prédit également que les améliorations apportées aux différentes couches de la pile d'apprentissage en profondeur et de la formation spécialisée auront un impact énorme à l'avenir. Enfin, les hôtes remercient Sutskever pour sa discussion perspicace et l'invitent à revenir pour de futurs événements, tout en dirigeant également les téléspectateurs vers le site Web du coin électronique de Stanford pour plus de ressources sur l'entrepreneuriat et l'innovation.
Ilya Sutskever (scientifique en chef OpenAI) - Construction d'AGI, alignement, espions, Microsoft et illumination
Ilya Sutskever (scientifique en chef OpenAI) - Construction d'AGI, alignement, espions, Microsoft et illumination
Le scientifique en chef d'OpenAI, Ilya Sutskever, couvre une gamme de sujets dans cette vidéo, y compris le potentiel d'utilisations illicites de GPT, l'importance de la fiabilité dans les systèmes d'IA, le rôle de la collaboration homme-machine dans la construction d'AGI, les limitations logicielles et matérielles d'AGI, et le potentiel de la recherche universitaire. Il pense qu'une combinaison d'approches sera nécessaire pour réduire la probabilité de désalignement dans la construction de l'IAG, et que les percées nécessaires pour une IA surhumaine ne se sentiront pas nécessairement comme des percées avec le recul. Il souligne également la valeur de l'apport humain dans les modèles d'enseignement et suggère que l'impact des modèles linguistiques peut aller au-delà du monde numérique.
Leçon 1 : Apprentissage en profondeur pratique pour les codeurs 2022
Leçon 1 : Apprentissage en profondeur pratique pour les codeurs 2022
Dans cette vidéo YouTube "Leçon 1 : Apprentissage en profondeur pratique pour les codeurs 2022", l'instructeur présente le cours, en soulignant le rythme rapide des changements dans l'apprentissage en profondeur, et démontre la facilité de créer un système "oiseau ou pas oiseau" à l'aide de Python. Le cours vise à montrer aux gens comment construire et déployer des modèles d'abord, plutôt que de commencer par un examen de l'algèbre linéaire et du calcul, et couvrira une gamme de modèles d'apprentissage en profondeur, y compris des algorithmes basés sur des images qui peuvent classer les sons ou les mouvements de la souris. L'instructeur souligne l'importance de la création de blocs de données, de la compréhension des détecteurs de caractéristiques et de l'utilisation de modèles pré-formés pour réduire les exigences de codage. Le cours couvre également la segmentation et l'analyse tabulaire, avec fast.ai fournissant les meilleures pratiques qui aident à réduire le codage et à améliorer les résultats.
La vidéo fournit une introduction à l'apprentissage en profondeur et à ses applications dans divers domaines. Le présentateur aborde les bases de l'apprentissage automatique, y compris le processus d'entraînement du modèle et l'importance du calcul de la perte pour mettre à jour le poids du modèle pour de meilleures performances. La leçon couvre deux modèles : l'apprentissage tabulaire et le filtrage collaboratif. Le présentateur souligne également l'utilité des blocs-notes Jupyter dans la création et le partage de code, y compris des exemples de projets d'étudiants passés qui ont conduit à de nouvelles startups, des articles scientifiques et des offres d'emploi. Le principal point à retenir est que les futurs apprenants en profondeur devraient expérimenter et partager leur travail avec la communauté pour obtenir des commentaires et une expérience précieux.
Lesson 2: Practical Deep Learning for Coders 2022
Lesson 2: Practical Deep Learning for Coders 2022
This YouTube video series provides an introduction to deep learning for coders. It covers topics such as data preparation, model creation, and deploying a machine learning model.
In this video, hacker Jeremy Howard teaches people how to create their own web apps using deep learning. He covers how to set up a project in Git, how to use the hugging face space to upload a model to be trained on, natural language processing, and how to recognize text.
Leçon 3 : Apprentissage en profondeur pratique pour les codeurs 2022
Leçon 3 : Apprentissage en profondeur pratique pour les codeurs 2022
Cette vidéo fournit une introduction à l'apprentissage profond pratique pour les codeurs. Il couvre les bases de la multiplication matricielle et des gradients, et montre comment utiliser un modèle d'apprentissage en profondeur pour prédire la probabilité des races de chiens et de chats. Cette vidéo fournit une brève introduction à l'apprentissage en profondeur pour les codeurs, y compris une discussion sur la façon dont la multiplication matricielle peut prendre beaucoup de temps pour obtenir une sensation intuitive. La leçon suivante portera sur le traitement du langage naturel, qui consiste à prendre des données textuelles et à faire des prédictions basées sur sa prose.
Leçon 4 : Apprentissage en profondeur pratique pour les codeurs 2022
Leçon 4 : Apprentissage en profondeur pratique pour les codeurs 2022
Cette vidéo explique comment créer un modèle de deep learning pour le concours Coders 2022. L'auteur explique comment créer un ensemble de validation, comment utiliser les données de la concurrence pour tester les performances de votre modèle et comment éviter le surajustement dans les paramètres du monde réel. Dans cette vidéo, Jeremy explique comment utiliser le coefficient de corrélation de Pearson pour mesurer la relation entre deux variables, et comment utiliser Pytorch pour former un modèle qui se comporte comme un apprenant fast.ai. Il discute également d'un problème avec les prédictions générées par les techniques NLP, et comment il peut être résolu en utilisant une fonction sigmoïde.
Leçon 5 : Apprentissage en profondeur pratique pour les codeurs 2022
Leçon 5 : Apprentissage en profondeur pratique pour les codeurs 2022
Cette vidéo fournit un didacticiel sur la création et l'entraînement d'un modèle linéaire à l'aide de l'apprentissage en profondeur. La vidéo commence par discuter des opérations sur place, qui modifient les valeurs des variables dans une fonction donnée. Ensuite, la vidéo montre comment calculer la perte pour un modèle linéaire en utilisant la descente de gradient vers l'arrière. Enfin, la vidéo fournit une fonction qui initialise et met à jour les coefficients dans un modèle linéaire. La vidéo se termine en montrant comment exécuter la fonction et imprimer la perte. Cette vidéo explique comment calculer la meilleure répartition binaire pour une colonne donnée dans un ensemble de données. Ceci est particulièrement utile pour les compétitions d'apprentissage automatique, car il fournit un modèle de base pour la comparaison.
Leçon 6 : Apprentissage en profondeur pratique pour les codeurs 2022
Leçon 6 : Apprentissage en profondeur pratique pour les codeurs 2022
Cette vidéo YouTube fournit un guide sur la façon de démarrer avec l'apprentissage en profondeur pour les codeurs. L'accent est mis sur l'apprentissage approfondi pratique pour les codeurs, avec des conseils sur la façon de mettre en place un concours, d'obtenir un ensemble de validation et d'itérer rapidement. La vidéo traite également de l'importance des diagrammes d'importance des caractéristiques et de dépendance partielle, et de la manière de les créer à l'aide d'un modèle d'apprentissage automatique.
Cette vidéo donne un aperçu de la façon d'utiliser l'apprentissage en profondeur pour améliorer la précision des projets de codage. Il explique que les ensembles de données peuvent souvent avoir une grande variété de tailles d'entrée et de rapports d'aspect, ce qui rend difficile la création de représentations précises avec des rectangles. Il suggère d'utiliser à la place des représentations carrées, qui se sont révélées efficaces dans la plupart des cas.
Leçon 7 : Apprentissage en profondeur pratique pour les codeurs 2022
Leçon 7 : Apprentissage en profondeur pratique pour les codeurs 2022
Dans la leçon 7 de Practical Deep Learning for Coders 2022, Jeremy explique comment faire évoluer les modèles d'apprentissage en profondeur en réduisant la mémoire nécessaire pour les modèles plus grands. Il démontre une astuce appelée accumulation de gradient, qui consiste à ne pas mettre à jour les poids à chaque boucle de chaque mini-lot, mais à le faire de temps en temps, ce qui permet d'utiliser des tailles de lots plus importantes sans avoir besoin de GPU plus grands. De plus, Jeremy discute de la validation croisée k-fold et de la création d'un modèle d'apprentissage en profondeur qui prédit à la fois le type de riz et la maladie présente dans l'image en utilisant une fonction de perte différente appelée perte d'entropie croisée. Dans l'ensemble, la vidéo fournit des conseils et astuces pratiques pour créer des modèles d'apprentissage en profondeur plus complexes.
Dans cette vidéo, le conférencier explore la création de systèmes de recommandation utilisant le filtrage collaboratif et le produit scalaire dans PyTorch. Il décrit la prédiction par multiplication matricielle des classements de films et calcule la fonction de perte, une mesure de la correspondance entre les classements prédits et les classements réels. Il introduit le concept de plongement, qui permet d'accélérer les multiplicateurs matriciels avec des variables fictives. L'orateur explique ensuite comment ajouter un biais et une régularisation à la matrice pour différencier les évaluations des utilisateurs et éviter le surajustement. Enfin, le sujet de la recherche d'hyperparamètres est abordé, en soulignant le besoin de données granulaires pour des recommandations précises. Dans l'ensemble, la vidéo décompose les concepts complexes d'apprentissage en profondeur pour créer une compréhension pratique pour les téléspectateurs.
Leçon 8 - Apprentissage en profondeur pratique pour les codeurs 2022
Leçon 8 - Apprentissage en profondeur pratique pour les codeurs 2022
Cette vidéo couvre les bases de l'apprentissage en profondeur pour les codeurs. Il explique comment créer des paramètres pour les modèles d'apprentissage en profondeur à l'aide de la bibliothèque Pytorch, comment utiliser l'ACP pour réduire le nombre de facteurs dans un ensemble de données et comment utiliser un réseau de neurones pour prédire le prix de vente aux enchères d'équipements lourds industriels.
Cette vidéo YouTube donne un aperçu de l'apprentissage en profondeur pour les programmeurs. L'orateur explique que la ténacité est importante dans ce domaine et conseille que si vous voulez réussir, vous devez continuer jusqu'à ce que quelque chose soit terminé. Il recommande également d'aider d'autres débutants sur forums.fast.ai.