YT YouTube2Text

YouTube2Text → Transcripts → ise 1

ise 1 — Transcript

by williams · 5,009 words · 717 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:00Si demain dans l'immobilier ce n'était
0:02plus l'argent le plus expérimenté qui
0:04prenait l'avantage mais celui qui
0:06utilise l'IA de manière intelligente.
0:09Imagine toi un instant, tu veux un
0:11appartement et tu peux estimer le prix
0:14grâce aux données comme le mètre carré,
0:17le nombre de pièces, le quartier. Est-ce
0:20que c'est un balcon ou pas ? Est-ce que
0:21c'est sur étage ou pas ? Imagine-toi que
0:24on construit une IA qui apprend à partir
0:28de ces informations. Attention, je ne
0:30dis pas que l'IA va remplacer l'agent
0:33immobilier. Ce que je suis en train de
0:34dire, c'est que on peut construire une
0:37intelligence artificielle qui prédit les
0:40prix d'un appartement. On peut aussi
0:42voir que l'IA peut se tromper. C'est
0:44pour cela que l'humain doit toujours
0:46rester au contrôle. Alors, on lance
0:49aujourd'hui un défi. On va construire
0:51ensemble sur plusieurs vidéos tous les
0:54mardis une Python capable de prédire le
0:58prix d'un bien immobilier. Et ce qui est
1:00encore fou, c'est que ton enfant de 12
1:02ans peut comprendre les bases. Moi,
1:05c'est William, ingénieur logiciel basé
1:07en Allemagne. Je suis le fondateur de
1:09ces chaînes, j'aime le code. Sur ces
1:11chaînes, on parle de l'école, on parle
1:13de l'éducation, on parle de
1:15l'intelligence artificiel et de tous les
1:17métiers qui touchent au numérique. Je
1:19m'adresse ainsi aux enfants, aux
1:21parents, aux adolescents, aux curieux.
1:24avec moi, ils peuvent apprendre du code,
1:27de la logique de manière ludique. Alors
1:29aujourd'hui, on va pas que parler de
1:31l'intelligence artificielle, quelque
1:34chose de joli. Aujourd'hui, on commence
1:36un projet concret. Alors, sur plusieurs
1:39vidéos, on va ensemble construire avec
1:43Python une intelligence artificielle
1:46capable de prédire le prix d'un
1:49appartement. Mais avant, j'aimerais
1:51clarifier un point. C'est quoi
1:54exactement ce projet ? Alors, il est
1:56simple, on va essayer avec Python de
2:00construire un modèle IA basé sur le prix
2:03des appartements déjà vendus. Alors ce
2:06qu'on a besoin, on a besoin des
2:07datasets. On a besoin des données. Des
2:10données telles que le mètre carré, tel
2:12que le nombre de pièces, tel que le prix
2:15de vente, tel que la position du bien
2:18par rapport au centre-ville, tel que la
2:21réputation du quartier. Toutes ces
2:23informations là vont nous aider à
2:25construire cette intelligence
2:27artificielle, ce modèle. et on va donner
2:29ces informations à notre à notre IA, à
2:32notre modèle IA. On va l'entraîner et on
2:35va laisser la machine déduire
2:38d'elle-même les règles. La machine
2:40pourra ainsi apprendre. La machine
2:42pourra elle-même voir est-ce que si le
2:45nombre de pièces bien le nombre de
2:47mètres carrés, est-ce que ça influence
2:49sur le prix de vente ? Est-ce que un
2:51appartement renové a un lien direct avec
2:55le prix de vente ? Est-ce que la
2:57réputation du quartier a un prix a un
3:00lien avec le prix de vente ? Oui ou non
3:02? Tous ces informations là, on va
3:04laisser la machine elle-même faire des
3:07prédictions. Alors ce qui est
3:08intéressant, c'est que le plus important
3:10ici n'est pas que la machine fasse des
3:12prédictions, mais la machine aussi,
3:14notre modèle a besoin de feedback. faut
3:17qu'on lui donne feedback pour qu'elle
3:19sache que OK, elle s'est trompée et
3:21c'est très important aussi la qualité
3:23des données que si on a les les
3:24mauvaises si on a les mauvaises données,
3:26c'est clair que on aura aussi un modèle
3:29à la fin qui sera pas intéressant. On ne
3:31pourra pas atteindre notre objectif. Ce
3:35qui m'amène au prochain point qui est le
3:38déroulement. Alors, on peut comprendre
3:40que ce défi, on ne pourra pas le faire
3:42sur une vidéo, on le fera sur plusieurs
3:45vidéos et tous les mardis. C'est-à-dire
3:47quoi concrètement tous les mardis
3:49ensemble, on va regarder notre modèle.
3:51C'està-dire que déjà aujourd'hui cette
3:53vidéo, on va commencer d'abord à donner
3:56à donner les premières données à notre à
3:59notre agent I. OK ? On va commencer par
4:01aujourd'hui lui donner les premiers
4:02agents et à chaque séance on va ajouter
4:06des nouveaux features, c'est des
4:08nouveaux inputs, des nouveaux
4:09paramètres. On va changer même de
4:11modèle. On va très important analyser
4:14ses erreurs, on va observer ses
4:17prédictions, on va on va lui donner des
4:20feedback et au fil des temps on verra si
4:23on s'approche de est-ce que le prix
4:26prédit par notre argent qu'on a
4:28construit tout ensemble t vers la
4:31réalité. C'est vraiment ça le
4:33déroulement. Ce qui m'amène alors à
4:36passer au prochain point qui est le
4:38déroulement de c'est-à-dire quoi ? que
4:40ça change pour l'argent imméli
4:45c'est que l'IA peut carrément analyser
4:48un grand nombre de que nous humains on
4:50prendra trop le temps pour le faire et
4:52peut-être même certains cas c'est pas
4:53possible de le faire en tant que humain.
4:55Donc l'IA a l'avantage de très
4:58rapidement connaître les tendances, de
5:01très rapidement analyser les données, de
5:03très rapidement donner des feedback.
5:05Mais c'est serait fou de dire que l'a va
5:08remplacer un agent immobilier parce
5:10qu'il y a des choses que l'a ne peut pas
5:11sentir par exemple l'ambiance du
5:13quartier. Lirambiance,
5:16la luminosité,
5:18la luminosité d'une pièce dans un bien.
5:20Il y a des choses que l'a ne peut pas
5:22sentir que seul l'être humain peut
5:24sentir. Je le dis pourquoi. Parce que
5:26ici, il ne s'agit pas de poser l'IA avec
5:30l'humain ou bien de vouloir comparer
5:33l'IA avec l'humain. Non, c'est pas ça le
5:35but. Le but, comme je le dis toujours
5:37ici, c'est de faire en sorte que l'IA et
5:40l'humain travaille ensemble. C'està-dire
5:42que l'IA est comme un lévier. C'est une
5:45c'est un mot que j'aime bien, mais la li
5:47collabore avec l'humain pour pouvoir
5:50atteindre un objectif, prédire,
5:54donner une qualité de prédiction
5:56vraiment optimale. C'est ça en fait le
5:57but. C'est vraiment ça le but. Alors ce
6:00qu'on va faire c'est que on va passer à
6:02la démo. Voilà, on va passer à la démo
6:04et après la démo, je vous reviens. Alors
6:06aujourd'hui, je vais vous montrer pour
6:07cette première vidéo, je vais vous
6:09montrer alors une démo
6:15à l'ordinateur une dataset. OK, ça c'est
6:18une collection de données. OK, vraiment
6:20simple hein. Ça ce sont des appartements
6:23déjà connus. Et euh et puis euh on va
6:27entraîner on va entraîner notre IA et
6:29ensuite on va donner euh un nouveau
6:33appartement et on va demander alors à Li
6:37d'estimer d'estimer son prix. Donc voilà
6:39en fait comment ça va marcher.
6:41C'est-à-dire que on a euh des données.
6:44OK. Voilà, on a un donnée. Vous voyez
6:46que il y en a pas beaucoup hein. Vous
6:47voyez que il y en a pas il y en a pas
6:50tellement. Et euh voilà donc euh on et
6:54ensuite on l'entraîne et puis euh on lui
6:58donne maintenant on lui présente
6:59maintenant une nouvelle un nouveau
7:01appartement qu'il ne connaît pas et avec
7:03à partir de du cerveau qu'il a pu créer
7:07et a pu il a entraîné. Donc euh on lui
7:10demande alors de faire une prédiction et
7:12après on on va on va lui donner un
7:14feedback. Voilà. Après on va lui donner
7:16un feedback. Voilà en fait euh comment
7:19ça va se passer. Mais d'abord, je vais
7:20un peu essayer de de rapidement euh
7:23expliquer expliquer le programme. Vous
7:25voyez un peu tout en haut ici, donc à
7:27l'écran. Vous voyez un peu tout euh tout
7:29ce que vous voyez ici un peu en gros.
7:31Bon, ici ce sont les bibliothèques,
7:32hein. Ici ce sont les bibliothèques
7:34importantes. OK. Euh donc euh on a
7:38Panda, ça c'est quand tu travailles,
7:41quand tu veux faire des modèles IA, bon
7:42forcément tu as besoin d'abord de cette
7:44bibliothèque Pandas. Ça c'est tellement
7:46tellement important si tu veux manipuler
7:48les tableaux ainsi de suite. Et après
7:51comme aussi bon c'est toujours plus
7:53facile de de visualiser voilà pour le
7:55tout ce qui est graphique on va utiliser
7:57alors le mat plot lip. Ça c'est ça c'est
8:01tellement intéressant parce que après on
8:03on veut générer les graphiques. Alors on
8:05va utiliser on va utiliser un peu cette
8:07bibliothèque. OK. Bon je crois que c'est
8:09c'est c'est ce qui est intéressant
8:11aussi. Bon, pour le moment, puisque
8:13c'est tout début, on va utiliser un
8:15algorithme. Bon, une fonction
8:17mathématique, on va dire qu'on appelle
8:20linear régression. C'est ce qu'on a
8:22utilisé, qu'on va utiliser ici pour
8:24entraîner notre modèle. Je dis bien en
8:26fonction de la stratégie, en fonction du
8:29domaine qu'on veut, on peut choisir
8:32l'algorithme. Ici, on choisit ceci parce
8:34qu'on veut commencer tout doucement. OK
8:36? Et on peut puisqu'on a pendant pendant
8:39des mois, on va construire ensemble ce
8:43ce I Python, ça se pourrait qu'on change
8:46carrément, on choisisse autre chose que
8:49la lignée régression. Voilà, parce que
8:51on souhaite par exemple avoir un modèle
8:54un peu plus performant. Donc ça se
8:56pourrait qu'on puisse changer mais pour
8:58un début, on va d'abord commencer par la
9:00ligé linéar régression. OK, c'est par là
9:03qu'on par ce modèle-ci qu'on va on va
9:05commencer. Voilà, on va commencer par
9:07là. OK. Et n'oublions pas ce qu'on
9:09cherche. On donne les données à notre
9:12modèle, on entraîne et après il va faire
9:15ses préductions. Ensuite, on lui donne
9:16carrément une nouvelle donnée qu'il ne
9:18connaît pas, qui n'a pas dans sa data en
9:207. Dans dans sa data 7, on lui demande
9:22de lui donner une prédiction. Ensuite,
9:25on fait un feedback pour voir son son
9:27pourcentage, son taux d'erreur. Voilà en
9:30fait comment comment ça fonctionne. OK.
9:32Voilà comment ça fonctionne. Bon, alors
9:34du coup, on va un peu continuer, on va
9:36continuer, on va un peu regarder un peu
9:37en détail un peu le dataset parce que
9:39c'est c'est quelque chose de très
9:40important surtout quand on veut
9:43entraîner un modèle euh quelque chose de
9:45tellement puissant et la qualité des
9:47données. Si la qualité de données est
9:49mauvaise, on ne s'attend pas à
9:50grand-chose, nos productions seront
9:53aussi en fonction de la qualité de la
9:55qualité de données qu'on qu'on voilà
9:57qu'on voilà. Donc c'est tellement
9:59important la qualité de données. Euh ce
10:01serait vraiment bien que ces données
10:03soient quand même propres.
10:05Si les si le input est déjà assez sale
10:09et pourri, c'est clair qu'à la fin on
10:11aura pas de prédictions tellement
10:12bonnes, quoi. Donc alors mais on va
10:14essayer un peu de je vais un peu essayer
10:15d'expliquer en gros euh ce que c'est.
10:18Bon ici on voit un peu la surface à
10:20mètre carr. Donc ici on peut dire que ça
10:22c'est 35 m², 45 m² 50 m². Donc pour
10:26voir, on a 1 2 3 4 5 6 7 8 9 10 11 12 13
10:3114. Donc on a à peu près 14. On a à peu
10:33près ici 14 appartements. OK, donc euh
10:36ici c'est le nombre de pièces. Donc un
10:39appartement de 35 m² à une PL à une
10:44seule pièce. OK. À une seule pièce et
10:47euh et c'est au premier étage. OK. Et
10:50les conditions, on pe voir un peu les
10:52conditions, c'est entre 1 et 5. OK. un
10:56on peut voir ici appartement 1 état 2 à
10:59renouver. OK. Euh voilà quoi. Voilà les
11:03conditions. Donc état 3 état correct.
11:06État 4 bon état. Donc plus ce chiffre
11:09est bas moins l'état est bonne. OK. Plus
11:12ce chiffre est haut euh et voilà plus
11:15c'est mieux quoi. Donc donc quand on
11:17voit par exle 3, on peut se dire que bon
11:19voilà c'est état est correct. 5 vraiment
11:21il y a rien à faire. C'est top c'est
11:22neuf. OK. Par contre, un euh c'est pas
11:25c'est pas joli. Voilà. Donc euh voilà.
11:28Donc euh l'état donc la distance du
11:31centreville. Donc je pense que euh
11:34voilà. Donc on peut un peu on peut on
11:36peut un peu voir euh la distance du
11:38centreville. Donc euh donc c'est euh on
11:41peut un peu voir la distance. Plus plus
11:44c'est grand, plus on est loin du
11:45centreville. OK. Donc on a aussi le prix
11:48forcément. Donc ici, on peut un peu
11:49voir, on a 35 m², on a une seule pièce,
11:53on a euh on a euh de qui est à rennover
11:58et voilà, on a 6, on peut voir un peu le
12:02prix de l'appartement 155000. OK, 155000
12:06donc on peut voir donc si on regarde par
12:09exemple un appartement 5 ici par exemple
12:12ce n'est pas rennover 95 m². OK, on peut
12:16un peu voir 95 m². Euh donc on peut dire
12:21que ici ça ressemble à du 154000
12:25€. Voilà, 95
12:28m², il n'y a rien à renouver. Ça a qu
12:31pièces. OK, ça qu pièces au 4e étage. Il
12:36n'y a pas à renouver. OK, la distance du
12:39centreville 3 et euh et voilà le prix.
12:42OK. Donc on peut un peu voir un peu là,
12:45c'est très important d'aboir de
12:46j'expliquer un peu en gros euh les
12:49données. OK, on peut un peu voir un peu
12:50au niveau du dataset. J'insiste toujours
12:53que le dataset plus il est bon, plus il
12:56est propre, plus il est épuré, mieux
12:59mieux c'est pour entraîner pour
13:01entraîner notre modèle. Donc voilà. Donc
13:04euh donc on peut voir un peu ici quand
13:06on peut un peu comprendre que euh quand
13:07on voit le data set ici, on voit que le
13:10prix d'un appartement ne dépend pas
13:12seulement d'une seule entrée. Donc le
13:14prix d'un appartement ne dépend pas
13:16seulement du mè du nombre de mètres
13:18carrés. Vous voyez qu'il y a plusieurs
13:19autres paramètres importants comme le
13:22nombre de pièces. OK ? Si vous regardez
13:24un peu les prix ici par exemple par exle
13:27l'appartement qui a 680000 là si vous
13:30observez un peu le 680000 là pour
13:32essayer un peu de comprendre vous allez
13:33voir que ce n'est pas un hasard. Si vous
13:35regardez le 681000, vous allez voir que
13:38ce n'est pas un hasard. OK ? Faut voir
13:40exactement ces autres paramètres.
13:42Pourquoi ça a un prix comme ça là ? Donc
13:44prix plus le prix élevé plus vous allez
13:46voir que euh ces critèresci ces autres
13:49critères comme la surface, le nombre de
13:51pièces, le le ça au 40e étage, ces
13:54conditions euh ces conditions à distance
13:58au centre-ville et ça agit aussi sur le
14:00prix. Donc on peut un peu on peut un peu
14:02regarder ça. Donc plus la surface
14:03augmentente, plus le prix augmente. OK.
14:05Plus l'état est bon, plus le prix
14:07augmente. Plus l'appartement est proche
14:09du centreville, plus le prix on m donc
14:11c'est ce qu'on peut un peu on peut un
14:13peu remarquer rapidement. OK. Donc c'est
14:15ça en fait. Donc donc le c'est d'abord
14:18la première chose je voulais un peu je
14:19voulais un peu prendre du temps
14:21d'expliquer la qualité des données.
14:23C'est tellement important dans la
14:26modélisation quoi de l'intérieur
14:28artificiel la qualité des données. Voilà
14:30donc c'est quelque chose qu'on examine
14:31beaucoup il faut d'abord épurer. Donc
14:33une fois qu'on a fini ça on passe
14:34maintenant à ce qu'on appelle la
14:36transformation OK des données. Voilà
14:38donc pourquoi c'est pour ça qu'on
14:40parlait de pandas. OK, donc on va
14:42transformer. Voilà, on va on va on va on
14:44va transformer les données pour que pour
14:46que en C Python pour que la machine
14:49comprenne quoi. Donc et cette
14:51transformation si voilà ça se fait se
14:53fait ici à sa ligne-ci. OK, ça se fait
14:56vraiment à cette ligne-ci et justement
14:58DF, ça se fait vraiment par par DF. OK.
15:01Qui veut dire tout simplement le data
15:04frame. OK, en fait ici c'est un tableau
15:06de Python. C'est c'est vraiment un
15:07tableau de Python. On va pas trop
15:08entrer, on va pas trop entrer dedans.
15:11Donc euh si on printte ça, on va un peu
15:13voir, on va pas trop un peu dans là.
15:14Peut-être dans les prochaines vidéos, on
15:15va un peu expliquer euh on va un peu
15:18expliquer ça un peu à peu près ce que ça
15:19veut dire. Euh mais bon bref, on fait
15:22une transformation OK avec avec ce data
15:26frame. Ensuite le deuxème côté technique
15:29c'est bon la séparation parce que il
15:31faut séparer on sépare ici ce qu'on
15:33appelle les paramètres des entrées avec
15:36ce qu'on appelle le outcom. Donc ici on
15:40a aussi des features. OK paramètres. Les
15:43paramètres sont les features et et puis
15:45maintenant ce qu'on doit prédire ici en
15:47fait c'est le prix c'est le prix de
15:48vende. Donc ici c'est le labus tu vois
15:51et comme je disais ça c'est juste la
15:52première vidéo lors des prochaines
15:54vidéos on va voir comment on peut
15:56ajouter d'autres paramètres ici à
15:58l'intérieur et puis voir comment
16:01le prix varie ainsi de suite ainsi de
16:03suite. Donc on va en fait cette on va
16:05faire un peu cette séparation. OK. Euh
16:07voilà, on a on va faire ces séparations.
16:10Donc machine learning, c'est ce qu'on
16:11fait souvent. Donc on sépare les données
16:13en deux en deux parties. On s pas on a
16:16les X OK les X qui sont qui reçoivent
16:19les paramètres des Y qui reçoivent les
16:22label. OK. OK. Donc ça bon j'ai expliqué
16:25en fait hein. Donc on a on voit que les
16:27on a la surface le nombre de pièces
16:28d'étage l'état du bien la distance avec
16:31le centreville et puis le Y c'est la
16:34réponse que l'IA va prédire. Bon,
16:36comment bon est-ce que j'ai expliqué ça
16:37? OK, donc c'est un peu tout ça. Donc
16:40euh X c'est la question, Y c'est la
16:43réponse. OK. Donc donc ici X sont les
16:46indices et Y en fait c'est le résultat
16:49qu'on le résultat attendu. OK. Voilà,
16:51c'est ça un peu qu'on va on comprend.
16:53OK. OK. Donc une fois qu'on a fait ça,
16:56bon ici bon comme on a dit voilà en fait
16:58ce qu'on fait en gros. OK, donc on
17:00sépare hein et euh on sépare pour
17:02pouvoir euh euh maintenant comment
17:04maintenant va commencer vraiment euh
17:06l'entraînement hein. Donc on va
17:08commencer avec l'entraînement hein,
17:10création. Donc euh à la ligne 49 c'est
17:13quelque chose d'intéressant. On va
17:14commencer euh à créer en fait le modèle
17:16à la ligne 49 qui on a d'abord séparé.
17:19Maintenant, on commence à créer à la
17:20ligne 49. Ici, j'ai bien dit avec
17:22l'algorithme qu'on utilise, c'est le
17:23linear régression. OK ? C'est c'est
17:25l'origine qu'on va utiliser. C'est ce
17:27qu'on appelle le le lumié régression.
17:30C'est ça qu'on utilise comme j'ai j'ai
17:32dit tantôt, c'est vraiment l'agon qu'on
17:34utilise et on verra si on si on change
17:37en fonction de ce qu'on veut. Donc c'est
17:39comme ça qu'on commence à entraîner
17:41notre modèle. On commence mais on
17:43commence de manière simple. On commence
17:45entraîner notre modèle. Donc de manière
17:47simple. OK, on commence à l'entraîner.
17:50Donc c'est ça l'objectif. On veut
17:52trouver euh la relation hein, en fait
17:55voilà, on veut trouver une relation
17:56entre entre les X et Y. Donc OK, on va
18:00trouver une relation entre les X et Y.
18:02He ok comme ça qu'on entraîne donc comme
18:05on dit hein, j'ai expliqué en fait
18:06comment ça ça se passe. On présente on
18:09présente les données donc les entrées et
18:12les sorties à la machine. La machine
18:14regarde ça et la machine elle-même essae
18:17de tirer des règles. Voilà la machine va
18:21tirer la règle. Est-ce que le prix
18:23comment le prix est varie ? Le paris le
18:25prix varie en fonction de quoi ? Le
18:27nombre de nombre de mètres carrés,
18:29l'emplacement, l'éloignement. Voilà,
18:32c'est la machine elle-même qui va tirer
18:34d'elle-même, voilà, ses règles en
18:36fonction des X et Y qu'on lui qu'on lui
18:39donne, quoi, en fait. Voilà, voilà.
18:41Donc, la machine va pouvoir va pouvoir
18:43elle-même voilà sortir ses règles quoi.
18:46Voici les données d'entraînement. Donc,
18:48la machine va pouvoir elle-même faire
18:49ses propres calculs. OK. Donc, donc
18:52quand c'est ça, euh voilà. Donc euh très
18:55important aussi euh on a euh on a les
18:58erreurs, on on a les erreurs. Donc c'est
19:01très important. Donc la machine va on on
19:04est en phase d'entraînement et puis on
19:06va arriver maintenant à la prédiction.
19:08Voilà, n'oublions pas hein, c'est ce
19:09qu'on veut après qu'on a qu'on a fait ce
19:11travail là. Maintenant, on va demander à
19:12la machine de de de de calculer un peu
19:16de calculer un peu son erreur moyen. On
19:18va voir. OK. Parce que c'est très
19:19important aussi. Ça c'est aussi quelque
19:21chose de très important. On va on doit
19:23beaucoup observer ça, l'erreur moyen.
19:25Voilà, parce que c'est l'intelligent
19:26artificiel. Plus on arrive à maîtriser
19:29l'erreur euh mieux euh mieux on arrive à
19:33notre objectif. Donc avoir un modèle qui
19:35n'est pas trop pourri, qui donne pas du
19:37n'importe quoi. Donc déjà si on a assuré
19:40les entrées, donc si on a donné des
19:43données quand même épurées, puis
19:45maintenant si on arrive un peu à voir à
19:46calculer sa marge d'erreur, le le but
19:49est de baisser vraiment son taux
19:50d'erreur. Voilà. de réduit ton taux
19:52d'erreur. Voilà, donc euh c'est un peu
19:54ça quoi. Donc on on essaie un peu de
19:56calculer son son euh son taux d'erreur.
19:59Voilà, l'erreur moyen. Donc en fait
20:01l'erreur moyen ici, c'est la différence
20:03entre le prix réel et le le prix prédit.
20:06Voilà. Donc c'est un peu ça en fait.
20:08C'est c'est ça. Donc plus il se trompe
20:12si si il se trompe tellement, ça veut
20:14dire que bon, il y a quelque chose en
20:16dans les entrées qui ne sont pas bons.
20:18Donc il faut ajuster. Donc c'est ça en
20:20fait. C'est ce que j'expliquais que le
20:23modèle au tout début va beaucoup se
20:25tromper. C'est en ajustant les entrées,
20:27en ajoutant encore les nouveaux entrées
20:29qu'on va arriver à un modèle un modèle
20:31intéressant. Voilà qu'on va arriver à un
20:33modèle intéressant. Donc c'est ça que
20:35c'est c'est c'est important. de de le
20:38noter ici. Donc euh c'est important de
20:40le noter ici. Donc c'est ça aussi le
20:42notre objectif. Voilà, notre objectif
20:44c'est ça aussi. On veut on veut
20:46entraîner notre modèle et euh pour que
20:49il nous rende pour pour pouvoir
20:50atteindre notre objectif. OK, c'est ça
20:52en fait. Donc ici à la ligne 77, on va
20:55lui donner une nouvelle donnée qui ne
20:57connaît pas. Voilà. Donc on donne une
20:59nouvelle donnée, on donne 70 72 m² le
21:02nombre de pièces euh le nombre d'étages,
21:05les condition quand même bonne. Et à
21:08distance, on veut qu'il nous on voit
21:10s'il s'est entraîné hein. Il a il s'est
21:13entraîné. On veut qu'il nous fasse une
21:14prédiction. Voilà. Et après, très
21:17important, on va voir sa marge d'erreur.
21:20Voilà, on va voir sa marge d'erreur.
21:23Voilà. Donc c'est pas c'est quelque
21:24chose de très intéressant. voir un peu
21:26sa marge d'erreur dans sa prédiction.
21:28Après qu'on l' entraîné, on peut voir sa
21:31marge d'erreur. OK ? Donc après sa
21:33prédiction, on voit sa marge d'erreur et
21:36puis on essaie un peu de de voir quoi.
21:39Donc du coup je vais juste essayer de
21:42simuler. Je vais essayer de simuler et
21:43puis on va regarder ensemble. OK, je
21:45vais simuler tout ça et puis on regarde
21:46ensemble. OK, je cumule. Voilà. OK.
21:49Voilà. Donc voilà en fait le graphe
21:51qu'il a donné. OK. Donc euh vous voyez
21:54en fait, on peut voir ici, on peut un
21:56peu voir ici euh voilà, on peut un peu
21:59voir euh ce tableau-ci. Voilà, voilà en
22:02fait euh notre dataset qu'on a donné. Le
22:04modèle a été entraîné avec des données
22:06là comme vous voir la comparaison entre
22:08les vrais prix et les prix prédits, on
22:10peut un peu voir, c'est ce qui est
22:11tellement intéressant, tu vois, à chaque
22:13fois voilà le prix réel et voilà le prix
22:16voilà le prix qui nous a donné. à chaque
22:18fois, on peut voir le prix réel et le
22:20prix qui nous a réuni et on peut
22:21calculer l'erreur. On peut voir ici, il
22:23a voilà son erreur moyen, mais à chaque
22:26fois, il y a une différence entre le
22:28réel et et sa prédiction. OK ? C'est
22:30donc euh cela veut dire qu'en moyenne
22:33TIA se trompe d'environ 15600
22:3715659, ça c'est quand même beaucoup. OK
22:39? C'est quand même beaucoup. Voilà,
22:41c'est quand même beaucoup. Euh voilà.
22:43Donc maintenant euh on lui a donné une
22:45nouvelle donnée. OK. Et puis il a prédit
22:49donc euh on a donné une nouvel
22:52on a donné une nouveau BD, on a il a
22:54prédit. Voilà donc ce qu'on va faire
22:56comme on habitude euh c'est très
22:58important en fait de de de finir par là.
23:01On voit un peu le taux d'erreur, on voit
23:03à chaque fois le prix réel avec le prix
23:05qu'il y a à prédit. Et puis le but c'est
23:08que dans lors de la prochaine vidéo, on
23:10va on va analyser encore l'erreur, on va
23:12voir ce qu'on doit ajuster au niveau des
23:15entré pour voir si son taux de
23:17production, si son son taux d'erreur là
23:20moyen l'erreur moyen a baissé ou pas
23:22pour voir si notre modèle au niveau de
23:24l'entraînement est meilleur. Voilà.
23:27Alors super. Voilà, donc on revient
23:30après la de mot. Alors du coup après la
23:32de mot, je vais faire directement un
23:34lien avec j'aime le code. Comme je le
23:37dis toujours sur plusieurs vidéos, le la
23:39vision de de j'aime le code, elle est
23:42claire. Voilà, accompagner vos enfants à
23:45travailler de manière structurée. Voilà,
23:47c'est pour ça que c'est très important
23:49dans notre accompagnement qu'on disent
23:51toujours aux jeunes quand tu as un
23:53exercice, le plus important est
23:55simplement que tu développes d'abord ton
23:57algorithme. Tu dois avoir un plan. Tu
23:59dois avoir un game plan quand tu as un
24:01exercice, quand tu as quand tu as face à
24:03un problème à résoudre. Il faut d'abord
24:06positionner ton plan, ton algorithme.
24:09C'est-à-dire quoi ? C'est quoi mes
24:10étapes ? quoi mes étapes et dans quel
24:13ordre, je fais quoi en premier, je fais
24:15quoi en 2è, je fais quoi en 3e et
24:18cetera. Donc la l'enfant apprend déjà à
24:21travailler de manière ludique, ludique,
24:23de manière logique. Il peut reconnaître
24:26ce qui fait sens, ce qui ne l'est pas.
24:28Donc alors pour nous ici, il n'est pas
24:29question que l'IA remplace le cerveau de
24:32ton enfant. Non, au contraire, l'enfant
24:35utilise l'IA vraiment comme un
24:37collaborateur parce que il a appris déjà
24:39à travailler de manière structuré. Il a
24:41appris à travailler de manière
24:42structurée. Il a que quand il a un
24:45problème à résoudre, il doit lire
24:46correctement d'abord pour se rendre
24:48compte est-ce que j'ai compris ce qu'on
24:50attend de moi ? Est-ce qu'il y a les
24:51points d'ombre ? S'il y a les points
24:53d'ombre, il note ses questions. Il note
24:56ses points d'ombre, il pose les
24:57questions pour clarifier. Ensuite, il
24:59doit poser son algorithme. Une fois
25:01qu'il a posé son algorithme, là il peut
25:03maintenant s'attaquer au problème. Il
25:04n'essaie pas de résoudre le problème de
25:06manière très généraliste. Il prend la
25:08première étape, il essaie de résoudre.
25:10Dès qu'il finit, il passe à la prochaine
25:11étape. L'enfant aussi, il apprend à
25:13résoudre les problèmes. Il apprend à
25:15gérer les erreurs. Avoir une erreur dans
25:17son code n'est pas une fatalité. Au
25:19contraire, au contraire, ça le
25:20galvanise. Il veut, il sait qu'il doit
25:23résoudre ce problème. Il doit trouver
25:24l'erreur. Il est content et motivé de
25:27pouvoir solutionner ses erreur. Une fois
25:29qu'il a trouvé l'erreur, il est content,
25:30il jubile. On a pris du temps mais
25:32c'était super. J'ai pu comprendre
25:35pourquoi j'ai fait cette erreur. J'avais
25:36oublié telle chose. Mon approche n'était
25:38pas bonne, mon agum n'était pas bien. Ça
25:41m'a permis de comprendre, de progresser.
25:43Alors le message maintenant, ça m'amène
25:44maintenant à passer un message aux
25:46parents. Voilà ce que je peux dire aux
25:48parents, c'est que nous sommes à l'aide
25:50d'une artificielle. L'IA sera partout à
25:54l'école, à l'éducation, dans le sport,
25:56dans la médecine, partout. On sera avec
25:59l'intelligence artificielle. Alors,
26:01c'est important que l'enfant déjà
26:04connaisse déjà les bases. Les bases,
26:06c'est quoi ? Par exemple, que l'enfant
26:08puisse répondre à la question c'est quoi
26:10une donnée ? C'est quoi un modèle ?
26:13C'est quoi une variable ? Ça veut dire
26:14quoi une erreur ? Comment est-ce que je
26:17dois développer mon sens critique ?
26:19Quand Li me donne une réponse, je dois
26:22l'analyser. Je dois pas juste prendre
26:24tout ce que Lia me dit en me disant "Ah,
26:26c'est Lia qui m'a donné ça. Donc moi,
26:28j'écoute Lia, je passement autre chose."
26:30Non, l'enfant doit pouvoir prendre la
26:32réponse de Lia, l'analyser et se
26:34demander est-ce que ça fait sens ?
26:38Est-ce que ça fait ça ? Et ça vraiment,
26:39ça correspond exactement à ce projet
26:41qu'on a qu'on lance aujourd'hui,
26:43construit ensemble sur plusieurs vidéos
26:45tous les mardis. une IA qui va prédire
26:48le prix d'un appartement. Là, on va
26:50comprendre que l'IA peut se tromper. Là,
26:52on va comprendre comment on peut
26:54améliorer grâce au feedback des
26:56prédictions de l'IA. On va comparer la
26:59prédiction de l'IA avec le prix réel et
27:02on va ensemble comprendre comment
27:04l'intelligence l'intelligence
27:06artificielle fonctionne. C'est pour cela
27:08que c'est important de garder cet esprit
27:11critique face à un résultat d'un
27:13prompte. Toujours regarder, observer.
27:16Est-ce que ça fait sens ? Oui ou non ?
27:18C'est tellement important et c'est ce
27:19que je le message que je veux
27:21transmettre aux parents. Voilà, ce qui
27:23me permet de de tout simplement te poser
27:26la question toi qui m'écoute. Alors
27:28selon toi, est-ce que tu veux participer
27:30à ce challenge ? Construis ensemble Inia
27:33sur plusieurs vidéos tous les mardis qui
27:35va prédire le prix d'un bien immobilier.
27:39Si c'est le cas, n'hésite pas de
27:40t'abonner, de partager la vidéo à tes
27:43amis, à ta famille, aux autres enfants.
27:46Si tu es intéressé par un
27:47accompagnement, j'aime le codo, n'hésite
27:48pas à nous contacter sur notre chaîne,
27:50sur notre chaîne, sur notre site web
27:53wwwour.com.
27:56com.

About this transcript

This page contains the full transcript of ise 1 by williams, generated from the public captions YouTube serves with the video. The transcript has 5,009 words across 717 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 translate the transcript into 100+ languages.

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, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.