drt 1 — Transcript
Full transcript
- 0:00Regardez bien ce bien immobilier. Sa
- 0:02superficie est de 96 m². J'ai donné ses
- 0:05caractéristiques à mon premier modèle
- 0:08intelligent artificiel et Python a
- 0:09estimé son prix. Et imaginez-vous sa
- 0:12prédiction. Il me dit 413125
- 0:15euros. Mais pourtant son véritable prix
- 0:18est de 377952,7
- 0:21euros. Donc mon modèle a fait une erreur
- 0:23de 35169
- 0:26euros. Alors, la question que je peux me
- 0:28poser, comment est-ce que mon modèle
- 0:30s'est trompé jusqu'à de 35000 euros sur
- 0:33ce bien. Alors, a-t-elle réellement
- 0:35appris à prédire le prix d'une maison ou
- 0:38alors ça produit simplement des chiffres
- 0:41? Moi, c'est William, ingénieur logiciel
- 0:44basé en Allemagne. Je suis le fondateur
- 0:46de cette chaîne J'aime le code. Ici, on
- 0:48parle de l'école, de l'éducation, de
- 0:50l'intelligence artificielle, de tous les
- 0:52métiers touchant au numérique. Alors, je
- 0:55m'adresse aux parents, aux enseignants,
- 0:58aux jeunes, aux élèves, aux personnes
- 1:00curieuses qui veulent apprendre à coder
- 1:03et aussi aux passionnés de
- 1:05l'informatique et du code. Alors, je
- 1:08reviens ici avec la 4e vidéo avec
- 1:11Python, langage de programmation Python.
- 1:13On entraîne un modèle d'intelligence
- 1:15artificielle qui permet de prédire le
- 1:18prix d'un bien immobilier. Alors, on va
- 1:21regarder cette démo. Ensuite, je vous
- 1:23reviens après. Voici la partie Python
- 1:25que nous allons utiliser. Alors, ce
- 1:26qu'on va faire, ça c'est juste pour
- 1:28faire une démonstration. Bon, je vais
- 1:30utiliser les données synthétiques,
- 1:31voilà. Tout à l'heure, je vais un peu
- 1:32expliquer. Donc, quand je clique là,
- 1:34alors on peut voir ici données
- 1:35synthétiques. Pour un bien, on peut voir
- 1:38aussi le modèle qui a été entraîné sur
- 1:40500 lignes nettoyées. On voit ici que
- 1:43est de On va voir que mon modèle se
- 1:45trompe de 10712,
- 1:47ce qui est un peu différent de de tout à
- 1:49l'heure. Et son taux d'erreur est de 2,7
- 1:52% 2,7 %. À noter ici que j'ai séparé
- 1:55tout à l'heure, je vais vous montrer
- 1:56dans le dans mon programme. J'ai séparé
- 1:59les données donc des 500 données si j'ai
- 2:01séparé 80 % du lait, je l'ai passé à
- 2:04l'entraînement et 20 % pour pour les
- 2:07tests. Et ce qui me donne ici
- 2:09une erreur de 10000 à chaque fois, mon
- 2:11modèle se trompe d'environ 10712 euros.
- 2:15Voilà, c'est un peu ça. Et tout à
- 2:16l'heure, on va essayer de comprendre que
- 2:18on va essayer de comprendre encore un
- 2:20peu plus en en profondeur. Alors, c'est
- 2:22quoi le danger avec l'intelligence ?
- 2:24Justement le danger c'est que elle nous
- 2:26livre souvent des prédictions qui peut
- 2:29bluffer. Elle dit le chiffre tellement
- 2:32précis du genre 495640.
- 2:36Quand on voit ce chiffre, on se dit
- 2:38"Mais ce résultat est tellement propre
- 2:40et il doit être juste." C'est pour cela
- 2:42que on appelle toujours à l'esprit
- 2:45critique de l'être humain pour vérifier
- 2:48toujours le résultat d'un prompt.
- 2:50Tellement important. On va un peu
- 2:51essayer d'entrer maintenant en
- 2:52profondeur. Ça c'est mon c'est mon code.
- 2:55Ça c'est ici que tout se passe. Comme
- 2:57j'ai dit pour cette démo, j'utilise des
- 3:01données synthétiques. Quoi, ça veut dire
- 3:02que je génère les données là à partir de
- 3:05mon programme informatique. Donc je ne
- 3:07prends pas ces données dans un cadastre
- 3:09et cetera et cetera. Bon, on va un peu
- 3:11essayer de comprendre parce que bon,
- 3:13j'avais expliqué un peu à quoi sert
- 3:15Panda, à quoi sert la la la ligne la
- 3:18lumière régression. Je crois que ça ce
- 3:19sont des choses qu'on a déjà vu. Ça
- 3:21c'est un algorithme qui va nous
- 3:22permettre d'entraîner le modèle. Voilà,
- 3:24ce que j'avais à dire c'est que nos
- 3:26features, c'est-à-dire que les données
- 3:28d'entrée, on a parlé de la superficie,
- 3:30l'éloignement du bien centre-ville. On a
- 3:32parlé de l'état du bien, on a parlé de
- 3:34la localisation, c'est dans quel
- 3:36quartier, c'est le bien est situé à à
- 3:38quel étage et puis ça a quel nombre de
- 3:41de pièces. Et là, on a le label c'est
- 3:43exactement la prédiction. Donc c'est la
- 3:45sortie. Ça c'est des choses que on a on
- 3:48a déjà vu. Je veux pas je veux pas trop
- 3:50entrer dans les détails. Je vais juste
- 3:51donner les les plus importants. Le point
- 3:53le plus important, c'est ici justement,
- 3:55parce que c'est ici que tout se passe,
- 3:56que d'abord ici j'initialise un peu les
- 3:59les choses, j'initialise un peu toutes
- 4:00les choses, OK. Ici, ce qui est
- 4:02intéressant, comme j'ai dit, euh on va
- 4:04générer des comme ça là, de manière
- 4:06aléatoire, 500 données. Bon, on avait
- 4:09déjà euh la dernière fois, j'avais un
- 4:11peu montré c'est quoi euh à quoi ça sert
- 4:13un data frame. Donc comme ça là, data
- 4:15frame, ça aide à à séparer les features
- 4:18et les labels. Et euh en fait, peut
- 4:20retenir ici, c'est que euh les entrées,
- 4:23c'est les entrées qu'on connaît ici, et
- 4:25ensuite je génère en fait, pour ma
- 4:28démonstration, euh des lignes de
- 4:29données. Ensuite, j'utilise euh
- 4:32certaines méthodes pour supprimer les
- 4:35les les Ouais, puisque c'est c'est
- 4:37généré de manière aléatoire, donc c'est
- 4:39possible qu'il y ait des dupliqués, les
- 4:42les données dupliquées. Alors, avec mon
- 4:44code ici, je nettoie, ce qu'on on avait
- 4:47déjà vu ça, ici par notamment là, avec
- 4:49le clean data set. On avait vu là que
- 4:52comment on analyse les données, c'est
- 4:53important de supprimer de supprimer euh
- 4:56les lignes qui n'ont pas qui ne font pas
- 4:58sens, parce que ça sert à rien
- 5:00d'entraîner un modèle IA avec des
- 5:01données qui sont pas bonnes. Donc c'est
- 5:04ce que fait un peu ce code là, en fait.
- 5:06On a on a ce clean data set pour essayer
- 5:08de récupérer que les données qui font
- 5:09sens. Même jusqu'à là, ça veut pas dire
- 5:11qu'après ça va te donner toujours quand
- 5:13même une prédiction qui sera excellente,
- 5:14mais déjà, tu augmentes quand même la la
- 5:16probabilité pour que ça donne des choses
- 5:17excellentes. Voilà, donc ensuite aussi
- 5:20très important aussi, on va voir où je
- 5:23sépare aussi, je réserve 80 % de ces 500
- 5:26lignes de de données à entraîner. Je
- 5:29sépare ici, je les sépare, 80 % pour
- 5:33pour entraîner et 20 % pour les tests.
- 5:35Ça aussi c'est très important, OK. Donc
- 5:37je sépare, donc train test split. Donc
- 5:40je sépare 20 % donc je mets ici avec euh
- 5:43voilà, un size de 20 % pour les tests.
- 5:45Voilà, voilà. Donc donc en gros, ça
- 5:49c'est juste pour montrer un peu le code,
- 5:50je vais pas entrer trop dans les
- 5:51détails. Donc, ici, c'est pour c'est
- 5:54pour voir en fait que c'est mes c'est
- 5:56c'est pas les trucs inventés, voilà. Et
- 5:59je je je le redis ici, euh ici, j'ai
- 6:02produit les données de manière
- 6:04synthétique. Donc, c'est ça pas les
- 6:05données qui viennent du cadastre. Ça
- 6:07permet juste de faire une démonstration
- 6:09et vous présenter, ? Donc, c'est ce
- 6:11qu'on peut retenir. Parce que là, on a
- 6:13pu voir à travers les différentes
- 6:14démonstrations que le résultat que un
- 6:17prompt que l'intelligence artificielle
- 6:18nous livre, c'est le résultat d'un
- 6:20calcul de probabilité. C'est le résultat
- 6:22de ce de ce calcul qui nous remet.
- 6:24Alors, c'est à nous de tout le temps
- 6:25checker. Et ça peut même aussi de parler
- 6:27du prochain danger qui est le
- 6:29surapprentissage. Là aussi, on a vu ici,
- 6:32à travers les différentes démonstrations
- 6:34qu'on a on entraîne notre modèle avec 80
- 6:37% des données qu'on disponibles et 20 %
- 6:40c'est pour les tests. Bon, imagine-toi
- 6:41alors que ton modèle est tellement sur
- 6:44entraîné au point où quand tu lui donnes
- 6:46maintenant, voilà, quand tu lui passes à
- 6:4890 % ou bien 98 % des données que tu
- 6:51utilises pour l'apprentissage, quand tu
- 6:52lui donnes des nouvelles données qu'il
- 6:54ne connait pas, ben il devient son taux
- 6:57d'erreur est très élevé. Donc, dans
- 6:59l'entraînement, dans ce processus de
- 7:00machine learning, il faut faire
- 7:02attention de ne pas tomber sur le cas du
- 7:04la surapprentissage.
- 7:07Alors, on poursuit avec la on utilise
- 7:08toujours les les données synthétiques, ?
- 7:10Je vérifie. OK, après avoir un peu
- 7:13expliqué euh et voilà un peu quelques
- 7:15prédictions, ? Donc, comme on dit, ça ce
- 7:17sont les les données générées de manière
- 7:20synthétique. Alors, on peut voir un peu
- 7:22aussi euh le prix réel, la prédiction
- 7:25avec l'erreur absolue, ? Donc, pour voir
- 7:28un peu la qualité de voilà, ma qualité
- 7:31de mes données. On peut voir un peu
- 7:32aussi euh la prédiction. Donc, mon
- 7:34modèle, il y a prédit 278764.
- 7:38On a une on a une erreur de de absolue
- 7:40de 14000. Alors, on peut on peut voir un
- 7:43peu les quelques les quelques
- 7:45prédictions, puis on peut voir un peu
- 7:46l'erreur. Ici, on voit qu'il s'est
- 7:48lourdement trompé, voilà, il s'est
- 7:50beaucoup trompé, il s'est lourdement
- 7:52trompé cette fois-ci avec un taux
- 7:53d'erreur de presque 29184
- 7:57euros, ? Donc euh
- 7:59donc on peut ça permet quand même de un
- 8:02peu de comprendre, on peut un peu voir
- 8:03un peu déjà quand on dit euh on le dit
- 8:05toujours, il faut faire attention avec
- 8:08euh avec les résultats des promptes
- 8:09parce que vous voyez vous-même que euh
- 8:12pour les mêmes données ou bien euh on
- 8:14voit que ça les prédictions varient, on
- 8:18peut voir ici les prédictions varient,
- 8:19voilà, ça les prédictions varient, ça
- 8:21c'est l'erreur, non, je veux dire le
- 8:23l'erreur, on voit l'erreur, tantôt
- 8:25l'erreur est est relativement bonne,
- 8:28tantôt l'erreur est élevée. Donc c'est
- 8:29un des choses qui euh qui poussent un
- 8:32peu à à à réfléchir. Essayons un peu de
- 8:34comprendre un peu euh des ces métriques,
- 8:37parce que essayons un peu de comprendre
- 8:38ces métriques, c'est quand même euh
- 8:40bluffant. Alors ce qu'on peut dire,
- 8:41c'est quoi euh ça veut dire quoi un un
- 8:45MAE qui a qui a à ? En fait, ici le MAE
- 8:51est l'erreur absolue moyenne, ? Donc en
- 8:54fait, c'est une erreur qui qui signifie
- 8:56que la prédiction du modèle en fait
- 8:58s'éloigne, donc là quand on voit ça, la
- 9:01prédiction du modèle s'éloigne de 10712,
- 9:04? Du véritable prix. Donc vous-même
- 9:06pouvez un peu vous pouvez faire vos
- 9:07propres calculs, donc à chaque fois ça
- 9:11c'est si ça indique quoi, chaque fois la
- 9:12prédiction et la réalité est de 10712,
- 9:15ça c'est ça. Maintenant regardons un peu
- 9:17les métriques, le RMSE ? Bon voilà, donc
- 9:20en fait ça permet de voir un peu comment
- 9:22comment le
- 9:23ce ce cette valeur-ci pénalise davantage
- 9:26par exemple les grosses erreurs, voilà,
- 9:28donc elle est toujours supérieure à ça,
- 9:32donc elle est toujours le M le RMSE est
- 9:35toujours supérieure à à l'erreur moyenne
- 9:38et c'est toujours supérieur à à moyen et
- 9:40c'est que en fait ça montre que
- 9:41certaines prédictions sont
- 9:43nettement plus éloignées que les autres
- 9:45en fait. Voilà
- 9:47voilà donc on peut voir c'est nettement
- 9:49plus éloigné que les autres. Donc on
- 9:50peut voir le MAP ça c'est le MAPE. En
- 9:53fait le MAPE ici en fait c'est ? C'est
- 9:56un peu l'erreur moyenne en pourcentage
- 9:58OK. Dans les précédentes vidéos on a vu
- 10:00quand c'est entre 3 et 5 généralement
- 10:02c'est une bonne chose mais quand c'est
- 10:03supérieur à 5 c'est que c'est pas bon il
- 10:05faut regarder sur toutes les données la
- 10:07qualité des données OK. Donc ici un
- 10:09modèle qui se trompe en moyenne
- 10:11d'environ 2,70 % par rapport au prix OK
- 10:15au prix réel donc c'est pas mal donc on
- 10:18a le R au carré R au carré en fait c'est
- 10:21le score R au carré R c'est très proche
- 10:23de 1 voilà on voit 0,99994
- 10:27donc cela signifie que le modèle
- 10:28explique très bien les variations
- 10:31présentes dans ces données voilà donc
- 10:34c'est quelque chose de très intéressant
- 10:35donc quelque chose de très intéressant
- 10:38mais en fait ce qu'il faut faire juste
- 10:39attention c'est que ce score donc il
- 10:41faut faire attention malgré tout ça
- 10:44il faut toujours faire attention il faut
- 10:45toujours regarder regarder les rendus
- 10:47parce que il faut pas dire que bon parce
- 10:49que j'ai un taux de 2,7 % alors mon mon
- 10:52mon mon mon modèle IA est super donc il
- 10:55faut toujours regarder les rendus donc
- 10:56l'être humain est toujours la personne
- 10:58qui valide qui doit tout valider donc
- 11:00c'est toujours très important de
- 11:02de le préciser que l'être humain est la
- 11:04personne qui valide voilà Voilà alors
- 11:06qu'est-ce qu'on a appris ? Qu'est-ce
- 11:07qu'on a ? On a vu le code de Python qui
- 11:10permet de générer de manière synthétique
- 11:11juste pour apprendre simuler
- 11:15les données on a ici 500 données on a vu
- 11:17comment on peut séparer on doit séparer
- 11:19on doit séparer les données
- 11:21d'apprentissage avec les données de
- 11:22test. On a vu aussi qu'il faut éviter ce
- 11:24qu'on appelle le sur-apprentissage donc
- 11:26on avait déjà fait 95 % des données de
- 11:30d'apprentissage et faut très peu de
- 11:31données pour les tests parce qu'après
- 11:33euh le taux d'erreur est très élevé
- 11:36quand c'est comme ça, donc c'est mieux
- 11:37de faire 80 ans. ? Et à la fin, on a
- 11:40aussi appris que il faut faire attention
- 11:42avec les prédictions de l'intelligence
- 11:44artificielle. Euh elle peut se tromper
- 11:47et là on peut voir, ? On peut on peut
- 11:48voir voir on peut on peut on peut
- 11:51nettement simuler là. Donc pour voir un
- 11:53peu le taux d'erreur. Donc vous voyez
- 11:54vous-même. Donc le taux d'erreur euh
- 11:57c'est c'est c'est quand même quand même
- 11:59bluffant. Si je change un peu là nombre
- 12:01de pièces, voilà, vous voyez que il faut
- 12:04seulement que je je varie un peu là et
- 12:06euh vous allez vous-même voir que le
- 12:07prix euh voilà. Donc ici ce qui est
- 12:10intéressant c'est qu'il faut il faut un
- 12:11peu regarder. Voilà, il faut regarder
- 12:13taux d'erreur 2,70. Voilà. Donc voilà,
- 12:16merci merci merci pour les personnes qui
- 12:18ont regardé ça. Voilà. C'est ?
- 12:20Directement, ça me permet de passer au
- 12:22prochain point, le lien avec J'aime le
- 12:23Coach. Alors à travers ces vidéos, on a
- 12:25vu beaucoup de choses, on a on a parlé
- 12:27on a parlé de beaucoup de choses, on a
- 12:29parlé de la régression linéaire qui est
- 12:31un algorithme. Lors des prochaines
- 12:33vidéos, on va changer par exemple
- 12:35d'algorithme, on va prendre un autre
- 12:36algorithme, une autre approche. Par
- 12:38exemple l'approche du des réseaux
- 12:40neurones et on va voir un peu comment
- 12:43est la prédiction. Est-ce qu'elle est ?
- 12:46Est-ce qu'elle est ? Comme je l'ai dit
- 12:48au tout début, tout dépend de ce qu'on
- 12:50veut. La qualité des données est
- 12:51importante aussi. La prédiction peut
- 12:54aussi changer avec l'algorithme qu'on
- 12:56utilise. Cette fois-ci pour cette vidéo,
- 12:59on a jusqu'à présent utilisé la
- 13:01régression linéaire. Voilà, parce que
- 13:03c'est un cas simple, mais on peut
- 13:04changer, on peut prendre d'autres
- 13:06d'autres d'autres algorithmes, d'autres
- 13:07algorithmes de calcul. On va voir
- 13:09ensemble. ? Ça ça c'est le but, c'est
- 13:11que dans ces vidéos dans ces séries de
- 13:13vidéos, ensemble on essaie de découvrir
- 13:16comment avec le langage de programmation
- 13:18Python une une IA un modèle IA est
- 13:22entraîné et on compare, très important,
- 13:25les prédictions et son taux d'erreur.
- 13:28Voilà. voilà, ce sont les choses qu'on a
- 13:29vu, on a vu que plus le taux d'erreur
- 13:31est bas, plus euh la prédiction est
- 13:33bonne. Voilà. Donc, on a aussi vu, très
- 13:35important, les données, les données
- 13:37sales, on a parlé du garbage in, garbage
- 13:40out, comment c'est important déjà de
- 13:42purifier les données. Ça, ce sont autant
- 13:44de choses. Alors, ce jeune le code, ce
- 13:45sont les choses qu'on voit ensemble, on
- 13:47apprend déjà, on développe cet esprit
- 13:49critique de tout le temps checker,
- 13:52regarder, observer. Voilà. Booster sa
- 13:55logique, essayer de comprendre. Est-ce
- 13:57que ce résultat fait sens, oui ou ?
- 14:00C'est cet esprit critique qui est
- 14:01tellement important qu'on développe ce
- 14:03jeune le code. Voilà. Déjà, les à l'âge
- 14:05de 3 ans, vos enfants apprennent déjà à
- 14:08travailler la logique, à comprendre que
- 14:10voilà, un algorithme, c'est quoi un
- 14:12algorithme, les étapes, voilà. Quand on
- 14:14change l'ordre des des étapes, lorsqu'on
- 14:16vous a un problème, un enfant déjà de 2
- 14:18à 3 ans, il commence déjà à voir ce qui
- 14:20fait sens et ce qui ne le fait pas.
- 14:22Voilà. Alors, ça me permet de sortir euh
- 14:25te pose je te pose la question. Alors,
- 14:27selon toi, euh qu'est-ce que tu as ?
- 14:29Alors, selon toi, si je te pose la
- 14:30question comme ça, pour sortir du pour
- 14:32sortir de ce sujet, si je te dis que
- 14:34est-ce que tu penses que en changeant,
- 14:37par exemple, l'algorithme qu'on utilise,
- 14:39parce que ça présent, j'utilise la
- 14:41régression linéaire, est-ce que tu
- 14:42penses que en changeant l'algorithme, ça
- 14:44va aussi avoir une influence, par
- 14:47exemple, sur ma ? Ou alors, en ajoutant
- 14:51un ? Le feature, on a défini le feature
- 14:54comme étant euh l'un des paramètres
- 14:56d'input, comme par exemple, la
- 14:58superficie du bien, euh l'éloignement au
- 15:00centre-ville. Si je change ça, si je
- 15:02change Est-ce que tu penses que l'un de
- 15:04ces paramètres, s'il est modifié, s'il
- 15:05est supprimé, ça jouera, ça aura un
- 15:07impact sur la prédiction du ? Alors,
- 15:10merci à toutes les personnes qui
- 15:11s'abonnent, merci de partager, invitez
- 15:13vos amis, vos enfants, vos
- 15:15connaissances.
About this transcript
This page contains the full transcript of drt 1 by williams, generated from the public captions YouTube serves with the video. The transcript has 2,842 words across 416 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.
What you can do with it
Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to choose a caption track available on the video.
Free YouTube transcript tool
YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, caption language selection, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.