Ch18 traduction FR ini #119

lepagejeremi · 2025-11-18T18:08:03Z

https://119-merge--animint-manual-fr.netlify.app/ch18/ch18-viz

tdhock · 2025-11-18T18:39:42Z

lepagejeremi · 2025-12-02T02:32:20Z

Chapitres/Ch18/Ch18_source.qmd

+- Nous commençons par simuler et visualiser quelques données 2d pour une classification binaire.
 <!-- comment -->
- We then show how a classification function in 2d can be visualized by computing predictions on a grid, and then using `geom_tile()` or `geom_path()` with contour lines.
+- Nous montrons ensuite comment une fonction de classification en 2d peut être visualisée en calculant les prédictions sur une grille, puis en utilisant la fonction de classification en 2d. `geom_tile()` ou `geom_path()` avec des lignes de contour.


Suggested change

- Nous montrons ensuite comment une fonction de classification en 2d peut être visualisée en calculant les prédictions sur une grille, puis en utilisant la fonction de classification en 2d. `geom_tile()` ou `geom_path()` avec des lignes de contour.

- Nous montrons ensuite comment une fonction de classification en 2d peut être visualisée en calculant les prédictions sur une grille, puis en utilisant `geom_tile()` ou `geom_path()` avec des lignes de contour.

lepagejeremi · 2025-12-02T02:33:37Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

-In the simulation, the data table above has the "hidden" features which are used to create the labels, but are not available for learning.
+Dans la simulation, le tableau de données ci-dessus comporte les caractéristiques "cachées" qui sont utilisées pour créer les étiquettes, mais ne sont pas disponibles pour l'apprentissage.


Suggested change

Dans la simulation, le tableau de données ci-dessus comporte les caractéristiques "cachées" qui sont utilisées pour créer les étiquettes, mais ne sont pas disponibles pour l'apprentissage.

Dans la simulation, le tableau de données ci-dessus comporte les caractéristiques "hidden" (cachées) qui sont utilisées pour créer les étiquettes, mais ne sont pas disponibles pour l'apprentissage.

lepagejeremi · 2025-12-02T02:41:15Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

-The best classifier is visualized below in the feature space,
+Le meilleur classificateur est visualisé ci-dessous dans l'espace des caractéristiques,


Suggested change

Le meilleur classificateur est visualisé ci-dessous dans l'espace des caractéristiques,

Le meilleur ("best") classificateur est visualisé ci-dessous dans l'espace des caractéristiques,

lepagejeremi · 2025-12-02T02:46:33Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

-To implement the gradient descent algorithm for learning neural network model parameters, we will use a simple auto-grad system.
+Pour implémenter l'algorithme de descente de gradient pour l'apprentissage des paramètres du modèle de réseau de neurones, nous utiliserons un système simple d'auto-gradation.


Suggested change

Pour implémenter l'algorithme de descente de gradient pour l'apprentissage des paramètres du modèle de réseau de neurones, nous utiliserons un système simple d'auto-gradation.

Pour implémenter l'algorithme de descente de gradient pour l'apprentissage des paramètres du modèle de réseau de neurones, nous utiliserons un système simple d'auto-grad.

lepagejeremi · 2025-12-02T02:48:42Z

Chapitres/Ch18/Ch18_source.qmd

+L'idée de l'auto-grad est que la structure du modèle de réseau neuronal doit être définie une seule fois et que cette structure doit être utilisée pour dériver les calculs de propagation vers l'avant (prédiction) et vers l'arrière (gradient).
 <!-- comment -->
-Below we use a simple auto-grad system where each node in the computation graph is represented by an R environment (a mutable data structure, necessary so that the gradients are back-propagated to all the model parameters).
+Nous utilisons ci-dessous un système auto-grad simple où chaque nœud du graphe de calcul est représenté par un environnement R (une structure de données mutable, nécessaire pour que les gradients soient rétropropagés à tous les paramètres du modèle).


Suggested change

Nous utilisons ci-dessous un système auto-grad simple où chaque nœud du graphe de calcul est représenté par un environnement R (une structure de données mutable, nécessaire pour que les gradients soient rétropropagés à tous les paramètres du modèle).

Nous utilisons ci-dessous un système auto-grad simple où chaque nœud du graphique de calcul est représenté par un environnement R (une structure de données mutable, nécessaire pour que les gradients soient rétropropagés à tous les paramètres du modèle).

lepagejeremi · 2025-12-02T02:51:01Z

Chapitres/Ch18/Ch18_source.qmd

+Nous utilisons ci-dessous un système auto-grad simple où chaque nœud du graphe de calcul est représenté par un environnement R (une structure de données mutable, nécessaire pour que les gradients soient rétropropagés à tous les paramètres du modèle).
 <!-- comment -->
-The function below is a constructor for the most basic building block of the auto-grad system, a node in the computation graph:
+La fonction ci-dessous est un constructeur pour l'élément le plus élémentaire du système auto-grad, un nœud dans le graphe de calcul :


Suggested change

La fonction ci-dessous est un constructeur pour l'élément le plus élémentaire du système auto-grad, un nœud dans le graphe de calcul :

La fonction ci-dessous est un constructeur pour l'élément le plus élémentaire du système auto-grad, un nœud dans le graphique de calcul :

lepagejeremi · 2025-12-02T02:51:33Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

- `value` is a matrix computed by forward propagation at this node in the computation graph.
+- `value` est une matrice calculée par propagation vers l'avant à ce nœud du graphe de calcul.


Suggested change

- `value` est une matrice calculée par propagation vers l'avant à ce nœud du graphe de calcul.

- `value` est une matrice calculée par propagation vers l'avant à ce nœud du graphique de calcul.

lepagejeremi · 2025-12-02T02:51:58Z

Chapitres/Ch18/Ch18_source.qmd

+- `parent.list` est une liste de nœuds parents, chacun d'entre eux étant utilisé pour calculer `value`.
 <!-- comment -->
- `backward` is a function which should be called by the user on the final/loss node in the computation graph.
+- `backward` est une fonction qui doit être appelée par l'utilisateur sur le nœud final/de perte dans le graphe de calcul.


Suggested change

- `backward` est une fonction qui doit être appelée par l'utilisateur sur le nœud final/de perte dans le graphe de calcul.

- `backward` est une fonction qui doit être appelée par l'utilisateur sur le nœud final/de perte dans le graphique de calcul.

lepagejeremi · 2025-12-02T02:53:56Z

Chapitres/Ch18/Ch18_source.qmd

+- `backward` est une fonction qui doit être appelée par l'utilisateur sur le nœud final/de perte dans le graphe de calcul.
 <!-- comment -->
-It calls `gradient`, which should compute the gradient of the loss with respect to the parent nodes, which are stored in the `grad` attribute in each corresponding parent node, before recursively calling `backward` on each parent node.
+Elle appelle `gradient` qui doit calculer le gradient de la perte par rapport aux nœuds parents, qui sont stockés dans le fichier `grad` dans chaque nœud parent correspondant, avant d'appeler récursivement `backward` sur chaque nœud parent.


Suggested change

Elle appelle `gradient` qui doit calculer le gradient de la perte par rapport aux nœuds parents, qui sont stockés dans le fichier `grad` dans chaque nœud parent correspondant, avant d'appeler récursivement `backward` sur chaque nœud parent.

Elle appelle `gradient` qui doit calculer le gradient de la perte par rapport aux nœuds parents, qui sont stockés dans l'attribut `grad` dans chaque nœud parent correspondant, avant d'appeler récursivement `backward` sur chaque nœud parent.

lepagejeremi · 2025-12-02T02:54:53Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

-The code above says that an initial node simply stores the input matrix `mat` as the value, and has a `gradient` method that does nothing (because initial nodes in the computation graph have no parents for which gradients could be computed).
+Le code ci-dessus indique qu'un nœud initial stocke simplement la matrice d'entrée `mat` comme valeur, et a une valeur `gradient` qui ne fait rien (parce que les nœuds initiaux dans le graphe de calcul n'ont pas de parents pour lesquels des gradients pourraient être calculés).


Suggested change

Le code ci-dessus indique qu'un nœud initial stocke simplement la matrice d'entrée `mat` comme valeur, et a une valeur `gradient` qui ne fait rien (parce que les nœuds initiaux dans le graphe de calcul n'ont pas de parents pour lesquels des gradients pourraient être calculés).

Le code ci-dessus indique qu'un nœud initial stocke simplement la matrice d'entrée `mat` comme valeur, et a une méthode `gradient` qui ne fait rien (parce que les nœuds initiaux dans le graphique de calcul n'ont pas de parents pour lesquels des gradients pourraient être calculés).

lepagejeremi · 2025-12-02T02:55:29Z

Chapitres/Ch18/Ch18_source.qmd

+Le code ci-dessus indique qu'un nœud initial stocke simplement la matrice d'entrée `mat` comme valeur, et a une valeur `gradient` qui ne fait rien (parce que les nœuds initiaux dans le graphe de calcul n'ont pas de parents pour lesquels des gradients pourraient être calculés).
 <!-- comment -->
-The code below defines `mm`, a node in the computation graph which represents a matrix multiplication,
+Le code ci-dessous définit `mm` un noeud dans le graphe de calcul qui représente une multiplication de matrice,


Suggested change

Le code ci-dessous définit `mm` un noeud dans le graphe de calcul qui représente une multiplication de matrice,

Le code ci-dessous définit `mm`, un noeud dans le graphique de calcul qui représente une multiplication de matrice,

lepagejeremi · 2025-12-02T03:43:31Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

-The `mm` definition above assumes that there is a weight node with the same number of rows as the number of columns (plus one for intercept) in the feature node.
+Le `mm` ci-dessus suppose qu'il existe un nœud de pondération ayant le même nombre de lignes que le nombre de colonnes (plus une pour l'interception) dans le nœud de caractéristique.


Suggested change

Le `mm` ci-dessus suppose qu'il existe un nœud de pondération ayant le même nombre de lignes que le nombre de colonnes (plus une pour l'interception) dans le nœud de caractéristique.

La définition de `mm` ci-dessus suppose qu'il existe un nœud de pondération ayant le même nombre de lignes que le nombre de colonnes (plus une pour l'ordonnée à l'origine) dans le nœud de caractéristiques.

lepagejeremi · 2025-12-02T03:44:31Z

Chapitres/Ch18/Ch18_source.qmd

+Les calculs d'avance/valeur et de gradient utilisent la multiplication matricielle.
 <!-- comment -->
-For instance, we can use`mm` as follows to define a simple linear model,
+Par exemple, nous pouvons utiliser`mm` pour définir un modèle linéaire simple,


Suggested change

Par exemple, nous pouvons utiliser`mm` pour définir un modèle linéaire simple,

Par exemple, nous pouvons utiliser `mm` de la manière suivante pour définir un modèle linéaire simple,

lepagejeremi · 2025-12-02T03:45:18Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

-It can be seen in the code above that the `mm` function returns a node representing predicted values, one for each row in the feature matrix.
+On peut voir dans le code ci-dessus que l'élément `mm` renvoie un nœud représentant les valeurs prédites, un pour chaque ligne de la matrice des fonctions).


Suggested change

On peut voir dans le code ci-dessus que l'élément `mm` renvoie un nœud représentant les valeurs prédites, un pour chaque ligne de la matrice des fonctions).

On peut voir dans le code ci-dessus que la fonction `mm` renvoie un nœud représentant les valeurs prédites, un pour chaque ligne de la matrice des caractéristiques).

lepagejeremi · 2025-12-02T03:46:51Z

Chapitres/Ch18/Ch18_source.qmd

+Maintenant que nous avons calculé la perte, nous pouvons calculer le gradient de la perte par rapport aux pondérations, qui est utilisé pour effectuer les mises à jour pendant l'apprentissage.
 <!-- comment -->
-Remember that we should now call`backward` (on the subtrain loss), which should eventually store the gradient as `weight.node$grad`.
+Rappelez-vous que nous devons maintenant appeler`backward` (sur la perte de soustraction), qui devrait finalement stocker le gradient en tant que `weight.node$grad`.


Suggested change

Rappelez-vous que nous devons maintenant appeler`backward` (sur la perte de soustraction), qui devrait finalement stocker le gradient en tant que `weight.node$grad`.

Rappelez-vous que nous devons maintenant appeler `backward` (sur la perte de sous-entrainement), qui devrait finalement stocker le gradient en tant que `weight.node$grad`.

lepagejeremi · 2025-12-02T03:48:14Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

-Note that since `loss.node` contains recursive back-references to its parent nodes (including predictions and weights), the `backward` call above is able to conveniently compute and store `weight.node$grad`, the gradient of the loss with respect to the weight parameters.
+Notez que, puisque `loss.node` contient des références récursives à ses nœuds parents (y compris les prédictions et les pondérations), l'élément `backward` ci-dessus est capable de calculer et de stocker de manière pratique les données de l'appel `weight.node$grad` le gradient de la perte par rapport aux paramètres de pondération.


Suggested change

Notez que, puisque `loss.node` contient des références récursives à ses nœuds parents (y compris les prédictions et les pondérations), l'élément `backward` ci-dessus est capable de calculer et de stocker de manière pratique les données de l'appel `weight.node$grad` le gradient de la perte par rapport aux paramètres de pondération.

Notez que, puisque `loss.node` contient des références récursives à ses nœuds parents (y compris les prédictions et les pondérations), l'appel `backward` ci-dessus est capable de calculer et de stocker de manière pratique `weight.node$grad`, le gradient de la perte par rapport aux paramètres de pondération.

lepagejeremi · 2025-12-02T03:52:02Z

Chapitres/Ch18/Ch18_source.qmd

-<!-- comment -->
-For example, a common and efficient non-linear activation function is the ReLU (Rectified Linear Units), which is implemented below,
+Afin d'apprendre une fonction de prédiction qui est une fonction non linéaire des caractéristiques, chaque couche, à l'exception de la dernière, doit avoir une fonction d'activation non linéaire, appliquée élément par élément aux unités après la multiplication de la matrice.
+


Suggested change

lepagejeremi · 2025-12-02T03:52:19Z

Chapitres/Ch18/Ch18_source.qmd

-For example, a common and efficient non-linear activation function is the ReLU (Rectified Linear Units), which is implemented below,
+Afin d'apprendre une fonction de prédiction qui est une fonction non linéaire des caractéristiques, chaque couche, à l'exception de la dernière, doit avoir une fonction d'activation non linéaire, appliquée élément par élément aux unités après la multiplication de la matrice.
+
+<!-- -- commentaire -->


Suggested change

lepagejeremi · 2025-12-02T03:53:21Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

-Finally, the last node that we need to implement our neural network is a node for predictions, computed via the for loop over weight nodes in the function below,
+Enfin, le dernier nœud dont nous avons besoin pour implémenter notre réseau neuronal est un nœud pour les prédictions, calculé via la boucle for sur les nœuds de pondération dans la fonction ci-dessous,


Suggested change

Enfin, le dernier nœud dont nous avons besoin pour implémenter notre réseau neuronal est un nœud pour les prédictions, calculé via la boucle for sur les nœuds de pondération dans la fonction ci-dessous,

Enfin, le dernier nœud dont nous avons besoin pour implémenter notre réseau neuronal est un nœud pour les prédictions, calculé avec la boucle `for` sur les nœuds de pondération dans la fonction ci-dessous,

lepagejeremi · 2025-12-02T03:53:52Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

-The `pred_node` function is also useful for computing predictions on the grid of features, which will be useful later for visualizing the learned function,
+Le `pred_node` est également utile pour calculer les prédictions sur la grille de caractéristiques, ce qui sera utile plus tard pour visualiser la fonction apprise,


Suggested change

Le `pred_node` est également utile pour calculer les prédictions sur la grille de caractéristiques, ce qui sera utile plus tard pour visualiser la fonction apprise,

La fonction `pred_node` est également utile pour calculer les prédictions sur la grille de caractéristiques, ce qui sera utile plus tard pour visualiser la fonction apprise,

lepagejeremi · 2025-12-02T03:55:57Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

- Add animation over the number of iterations.
+- Ajouter l'animation sur le nombre d'itérations.


Suggested change

- Ajouter l'animation sur le nombre d'itérations.

- Ajoutez l'animation sur le nombre d'itérations.

lepagejeremi · 2025-12-02T03:56:09Z

Chapitres/Ch18/Ch18_source.qmd

+- Ajouter l'animation sur le nombre d'itérations.
 <!-- comment -->
- Add smooth transitions when changing the selected number of iterations.
+- Ajouter des transitions graduelles lors du changement du nombre d'itérations sélectionné.


Suggested change

- Ajouter des transitions graduelles lors du changement du nombre d'itérations sélectionné.

- Ajoutez des transitions graduelles lors du changement du nombre d'itérations sélectionné.

lepagejeremi · 2025-12-02T03:57:19Z

Chapitres/Ch18/Ch18_source.qmd

+- Ajouter des transitions graduelles lors du changement du nombre d'itérations sélectionné.
 <!-- comment -->
- Add a for loop over random seeds (or cross-validation folds) in the data splitting step, and create a visualization that shows how that affects the results.
+- Ajoutez une boucle for sur des graines aléatoires (ou des plis de validation croisée) dans l'étape de division des données, et créez une visualisation qui montre comment cela affecte les résultats.


Suggested change

- Ajoutez une boucle for sur des graines aléatoires (ou des plis de validation croisée) dans l'étape de division des données, et créez une visualisation qui montre comment cela affecte les résultats.

- Ajoutez une boucle `for` sur des graines aléatoires (ou des plis de validation croisée) dans l'étape de division des données, et créez une visualisation qui montre comment cela affecte les résultats.

lepagejeremi · 2025-12-02T03:57:36Z

Chapitres/Ch18/Ch18_source.qmd

+- Ajoutez une boucle for sur des graines aléatoires (ou des plis de validation croisée) dans l'étape de division des données, et créez une visualisation qui montre comment cela affecte les résultats.
 <!-- comment -->
- Add a for loop over random seeds at the weight matrix initialization step, and create a visualization that shows how that affects the results.
+- Ajoutez une boucle for sur des graines aléatoires à l'étape d'initialisation de la matrice de pondération, et créez une visualisation qui montre comment cela affecte les résultats.


Suggested change

- Ajoutez une boucle for sur des graines aléatoires à l'étape d'initialisation de la matrice de pondération, et créez une visualisation qui montre comment cela affecte les résultats.

- Ajoutez une boucle `for` sur des graines aléatoires à l'étape d'initialisation de la matrice de pondération, et créez une visualisation qui montre comment cela affecte les résultats.

lepagejeremi · 2025-12-02T03:58:00Z

Chapitres/Ch18/Ch18_source.qmd

+- Ajoutez une boucle for sur des graines aléatoires à l'étape d'initialisation de la matrice de pondération, et créez une visualisation qui montre comment cela affecte les résultats.
 <!-- comment -->
- Compute results for another neural network architecture (and/or linear model, by adding a for loop over different values of `units.per.layer`).
+- Calculez les résultats pour une autre architecture de réseau neuronal (et/ou un modèle linéaire, en ajoutant une boucle for sur différentes valeurs de `units.per.layer`).


Suggested change

- Calculez les résultats pour une autre architecture de réseau neuronal (et/ou un modèle linéaire, en ajoutant une boucle for sur différentes valeurs de `units.per.layer`).

- Calculez les résultats pour une autre architecture de réseau neuronal (et/ou un modèle linéaire, en ajoutant une boucle `for` sur différentes valeurs de `units.per.layer`).

lepagejeremi · 2025-12-02T03:58:48Z

Chapitres/Ch18/Ch18_source.qmd

+- Calculez les résultats pour une autre architecture de réseau neuronal (et/ou un modèle linéaire, en ajoutant une boucle for sur différentes valeurs de `units.per.layer`).
 <!-- comment -->
-Add another plot or facet which allows selecting the neural network architecture, and allows easy comparison of the min validation loss between models (for example, add facet columns to loss plot, and add horizontal lines to emphasize min loss).
+Ajouter un autre graphique ou une facette permettant de sélectionner l'architecture du réseau neuronal et de comparer facilement la perte de validation minimale entre les modèles (par exemple, ajouter des colonnes de facettes au graphique de perte et ajouter des lignes horizontales pour mettre en évidence la perte minimale).


Suggested change

Ajouter un autre graphique ou une facette permettant de sélectionner l'architecture du réseau neuronal et de comparer facilement la perte de validation minimale entre les modèles (par exemple, ajouter des colonnes de facettes au graphique de perte et ajouter des lignes horizontales pour mettre en évidence la perte minimale).

Ajoutez un autre graphique ou une facette permettant de sélectionner l'architecture du réseau neuronal et de comparer facilement la perte de validation minimale entre les modèles (par exemple, ajoutez des colonnes de facettes au graphique de perte et ajoutez des lignes horizontales pour mettre en évidence la perte minimale).

lepagejeremi · 2025-12-02T04:01:19Z

Chapitres/Ch18/Ch18_source.qmd

 <!-- paragraph -->

-Next, [Chapter 19](/ch19) explains how to visualize P-values, including how to work around overplotting, using a heat map linked to a zoomed scatter plot.
+Suivant, [Chapitre 19](/ch19) explique comment visualiser les valeurs de P, y compris comment contourner le surdimensionnement, à l'aide d'une carte thermique liée à un graphique de dispersion zoomé.


Suggested change

Suivant, [Chapitre 19](/ch19) explique comment visualiser les valeurs de P, y compris comment contourner le surdimensionnement, à l'aide d'une carte thermique liée à un graphique de dispersion zoomé.

Ensuite, dans le [chapitre 19](/ch19), nous vous expliquerons comment visualiser les valeurs-P ("P-values"), notamment comment contourner le sur-représentement (overplotting), en utilisant une carte thermique reliée à un nuage de points agrandi.

lepagejeremi · 2025-12-02T04:09:33Z

J'ai terminé @annartiges

Ch18 traduction FR ini

28812ae

lepagejeremi commented Dec 2, 2025

View reviewed changes

Script mod

8a52cc4

	- Nous montrons ensuite comment une fonction de classification en 2d peut être visualisée en calculant les prédictions sur une grille, puis en utilisant la fonction de classification en 2d. `geom_tile()` ou `geom_path()` avec des lignes de contour.
	- Nous montrons ensuite comment une fonction de classification en 2d peut être visualisée en calculant les prédictions sur une grille, puis en utilisant `geom_tile()` ou `geom_path()` avec des lignes de contour.

	Dans la simulation, le tableau de données ci-dessus comporte les caractéristiques "cachées" qui sont utilisées pour créer les étiquettes, mais ne sont pas disponibles pour l'apprentissage.
	Dans la simulation, le tableau de données ci-dessus comporte les caractéristiques "hidden" (cachées) qui sont utilisées pour créer les étiquettes, mais ne sont pas disponibles pour l'apprentissage.

	Le meilleur classificateur est visualisé ci-dessous dans l'espace des caractéristiques,
	Le meilleur ("best") classificateur est visualisé ci-dessous dans l'espace des caractéristiques,

	Pour implémenter l'algorithme de descente de gradient pour l'apprentissage des paramètres du modèle de réseau de neurones, nous utiliserons un système simple d'auto-gradation.
	Pour implémenter l'algorithme de descente de gradient pour l'apprentissage des paramètres du modèle de réseau de neurones, nous utiliserons un système simple d'auto-grad.

	Nous utilisons ci-dessous un système auto-grad simple où chaque nœud du graphe de calcul est représenté par un environnement R (une structure de données mutable, nécessaire pour que les gradients soient rétropropagés à tous les paramètres du modèle).
	Nous utilisons ci-dessous un système auto-grad simple où chaque nœud du graphique de calcul est représenté par un environnement R (une structure de données mutable, nécessaire pour que les gradients soient rétropropagés à tous les paramètres du modèle).

	La fonction ci-dessous est un constructeur pour l'élément le plus élémentaire du système auto-grad, un nœud dans le graphe de calcul :
	La fonction ci-dessous est un constructeur pour l'élément le plus élémentaire du système auto-grad, un nœud dans le graphique de calcul :

	- `value` est une matrice calculée par propagation vers l'avant à ce nœud du graphe de calcul.
	- `value` est une matrice calculée par propagation vers l'avant à ce nœud du graphique de calcul.

	- `backward` est une fonction qui doit être appelée par l'utilisateur sur le nœud final/de perte dans le graphe de calcul.
	- `backward` est une fonction qui doit être appelée par l'utilisateur sur le nœud final/de perte dans le graphique de calcul.

	Elle appelle `gradient` qui doit calculer le gradient de la perte par rapport aux nœuds parents, qui sont stockés dans le fichier `grad` dans chaque nœud parent correspondant, avant d'appeler récursivement `backward` sur chaque nœud parent.
	Elle appelle `gradient` qui doit calculer le gradient de la perte par rapport aux nœuds parents, qui sont stockés dans l'attribut `grad` dans chaque nœud parent correspondant, avant d'appeler récursivement `backward` sur chaque nœud parent.

	Le code ci-dessus indique qu'un nœud initial stocke simplement la matrice d'entrée `mat` comme valeur, et a une valeur `gradient` qui ne fait rien (parce que les nœuds initiaux dans le graphe de calcul n'ont pas de parents pour lesquels des gradients pourraient être calculés).
	Le code ci-dessus indique qu'un nœud initial stocke simplement la matrice d'entrée `mat` comme valeur, et a une méthode `gradient` qui ne fait rien (parce que les nœuds initiaux dans le graphique de calcul n'ont pas de parents pour lesquels des gradients pourraient être calculés).

	Le code ci-dessous définit `mm` un noeud dans le graphe de calcul qui représente une multiplication de matrice,
	Le code ci-dessous définit `mm`, un noeud dans le graphique de calcul qui représente une multiplication de matrice,

	Le `mm` ci-dessus suppose qu'il existe un nœud de pondération ayant le même nombre de lignes que le nombre de colonnes (plus une pour l'interception) dans le nœud de caractéristique.
	La définition de `mm` ci-dessus suppose qu'il existe un nœud de pondération ayant le même nombre de lignes que le nombre de colonnes (plus une pour l'ordonnée à l'origine) dans le nœud de caractéristiques.

	Par exemple, nous pouvons utiliser`mm` pour définir un modèle linéaire simple,
	Par exemple, nous pouvons utiliser `mm` de la manière suivante pour définir un modèle linéaire simple,

	On peut voir dans le code ci-dessus que l'élément `mm` renvoie un nœud représentant les valeurs prédites, un pour chaque ligne de la matrice des fonctions).
	On peut voir dans le code ci-dessus que la fonction `mm` renvoie un nœud représentant les valeurs prédites, un pour chaque ligne de la matrice des caractéristiques).

	Rappelez-vous que nous devons maintenant appeler`backward` (sur la perte de soustraction), qui devrait finalement stocker le gradient en tant que `weight.node$grad`.
	Rappelez-vous que nous devons maintenant appeler `backward` (sur la perte de sous-entrainement), qui devrait finalement stocker le gradient en tant que `weight.node$grad`.

	Notez que, puisque `loss.node` contient des références récursives à ses nœuds parents (y compris les prédictions et les pondérations), l'élément `backward` ci-dessus est capable de calculer et de stocker de manière pratique les données de l'appel `weight.node$grad` le gradient de la perte par rapport aux paramètres de pondération.
	Notez que, puisque `loss.node` contient des références récursives à ses nœuds parents (y compris les prédictions et les pondérations), l'appel `backward` ci-dessus est capable de calculer et de stocker de manière pratique `weight.node$grad`, le gradient de la perte par rapport aux paramètres de pondération.

	Enfin, le dernier nœud dont nous avons besoin pour implémenter notre réseau neuronal est un nœud pour les prédictions, calculé via la boucle for sur les nœuds de pondération dans la fonction ci-dessous,
	Enfin, le dernier nœud dont nous avons besoin pour implémenter notre réseau neuronal est un nœud pour les prédictions, calculé avec la boucle `for` sur les nœuds de pondération dans la fonction ci-dessous,

	Le `pred_node` est également utile pour calculer les prédictions sur la grille de caractéristiques, ce qui sera utile plus tard pour visualiser la fonction apprise,
	La fonction `pred_node` est également utile pour calculer les prédictions sur la grille de caractéristiques, ce qui sera utile plus tard pour visualiser la fonction apprise,

	- Ajouter l'animation sur le nombre d'itérations.
	- Ajoutez l'animation sur le nombre d'itérations.

	- Ajouter des transitions graduelles lors du changement du nombre d'itérations sélectionné.
	- Ajoutez des transitions graduelles lors du changement du nombre d'itérations sélectionné.

Ch18 traduction FR ini #119

Are you sure you want to change the base?

Ch18 traduction FR ini #119

Uh oh!

Conversation

lepagejeremi commented Nov 18, 2025 • edited by tdhock Loading Uh oh! There was an error while loading. Please reload this page.

Uh oh!

Uh oh!

tdhock commented Nov 18, 2025

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

Choose a reason for hiding this comment

Uh oh!

lepagejeremi commented Dec 2, 2025

Uh oh!

Reviewers

Assignees

Labels

Projects

Milestone

Development

Uh oh!

3 participants

lepagejeremi commented Nov 18, 2025 •

edited by tdhock

Loading

	- Ajoutez une boucle for sur des graines aléatoires (ou des plis de validation croisée) dans l'étape de division des données, et créez une visualisation qui montre comment cela affecte les résultats.
	- Ajoutez une boucle `for` sur des graines aléatoires (ou des plis de validation croisée) dans l'étape de division des données, et créez une visualisation qui montre comment cela affecte les résultats.

	- Calculez les résultats pour une autre architecture de réseau neuronal (et/ou un modèle linéaire, en ajoutant une boucle for sur différentes valeurs de `units.per.layer`).
	- Calculez les résultats pour une autre architecture de réseau neuronal (et/ou un modèle linéaire, en ajoutant une boucle `for` sur différentes valeurs de `units.per.layer`).

	Ajouter un autre graphique ou une facette permettant de sélectionner l'architecture du réseau neuronal et de comparer facilement la perte de validation minimale entre les modèles (par exemple, ajouter des colonnes de facettes au graphique de perte et ajouter des lignes horizontales pour mettre en évidence la perte minimale).
	Ajoutez un autre graphique ou une facette permettant de sélectionner l'architecture du réseau neuronal et de comparer facilement la perte de validation minimale entre les modèles (par exemple, ajoutez des colonnes de facettes au graphique de perte et ajoutez des lignes horizontales pour mettre en évidence la perte minimale).

	Suivant, [Chapitre 19](/ch19) explique comment visualiser les valeurs de P, y compris comment contourner le surdimensionnement, à l'aide d'une carte thermique liée à un graphique de dispersion zoomé.
	Ensuite, dans le [chapitre 19](/ch19), nous vous expliquerons comment visualiser les valeurs-P ("P-values"), notamment comment contourner le sur-représentement (overplotting), en utilisant une carte thermique reliée à un nuage de points agrandi.