Fix broken SBV format for French captions

docs/fr/week01/practicum01.sbv

@@ -55,7 +55,7 @@ Donc, encore une fois, je suis ici pour éduquer, pour communiquer et je ne peux
 0:01:40.080,0:01:43.660
 Donc, si je pose une question et que vous comprenez ce que je dis,
 
-0:01:43. 660,0:01:47.820
+0:01:43.660,0:01:47.820
 vous devriez hocher la tête parce que si vous êtes comme [cf. sa tête sur la vidéo]
 
 0:01:48.760,0:01:52.350
@@ -122,7 +122,7 @@ vos performances dans le classement final. Nous considérons aussi,
 comment est votre travail. Parfois les choses ne fonctionnent pas tout à fait, mais vous vous appliquez quand même.
 
 0:03:24.069,0:03:28.358
-C'est donc ce qui importe. Néanmoins, si vous gagnez le défi, vous pouvez 
+C'est donc ce qui importe. Néanmoins, si vous gagnez le défi, vous pouvez
 
 0:03:29.030,0:03:31.569
 avoir des cadeaux et quelque chose de nous.
@@ -134,7 +134,7 @@ Cela devrait être ça.
 De plus, si vous avez une très bonne note, vous pouvez rejoindre le
 
 0:03:40.340,0:03:44.919
-laboratoire, peut-être avec Yann, et ainsi de suite le semestre prochain. 
+laboratoire, peut-être avec Yann, et ainsi de suite le semestre prochain.
 
 0:03:45.799,0:03:53.229
 Je dis juste qu’avoir une bonne note peut servir plus tard. D'accord, c'est une blague.
@@ -152,7 +152,7 @@ applications dont l'une était la classification.
 Permettez-moi de vous donner un petit récapitulatif de ce qu'est la classification. Qu'est-ce que la classification ?
 
 0:04:14.180,0:04:17.889
-Imaginons que je prenne une photo de quelque chose. Disons que je prends 
+Imaginons que je prenne une photo de quelque chose. Disons que je prends
 
 0:04:18.519,0:04:21.219
 une photo d'un mégapixel,
@@ -254,7 +254,7 @@ Alors, allez-y. Ah, il n'y a pas d'internet. Connectons le Wi-Fi.
 Je me connecte. Très bien, on y est presque.
 
 0:06:41.460,0:06:52.040
-Donc vous faites une recherche : tapez « linear algebra » [tapez en anglais et non pas en français si vous voulez trouver les ressources qu’Alfredo indique] 
+Donc vous faites une recherche : tapez « linear algebra » [tapez en anglais et non pas en français si vous voulez trouver les ressources qu’Alfredo indique]
 
 0:06:52.500,0:06:56.840
 Vous ne pouvez rien voir ici. Laisse-moi zoomer.
@@ -308,7 +308,7 @@ Rotation.
 Je n'entends pas. Ok, la première multiplication matricielle est quel type de variation ? [Etudiant]
 
 0:08:19.860,0:08:23.700
-Oui une transformation linéaire. Ok, quelles sont les transformations linéaires ? 
+Oui une transformation linéaire. Ok, quelles sont les transformations linéaires ?
 
 0:08:24.000,0:08:26.600
 Un : rotation
@@ -329,7 +329,7 @@ Si le facteur déterminant est négatif, qu'est-ce que vous avez ?
 [Alfredo se retourne et montre son dos]
 
 0:08:53.380,0:08:57.420
-Qu'est-ce que c'est ? [Etudiant] Oui une réflexion, donc trois. Il y en a une de plus. 
+Qu'est-ce que c'est ? [Etudiant] Oui une réflexion, donc trois. Il y en a une de plus.
 
 0:09:00.560,0:09:02.560
 C’est ?
@@ -350,7 +350,7 @@ Vous avez la réflexion. Quand vous avez la réflexion… [Etudiant]
 Non, l'identité ne fait rien.
 
 0:09:23.600,0:09:30.580
-Une rotation signifie que la matrice est orthonormée, ok ? La deuxième transformation est la scalabilité. 
+Une rotation signifie que la matrice est orthonormée, ok ? La deuxième transformation est la scalabilité.
 
 0:09:30.709,0:09:32.709
 Quand l’avez-vous ?
@@ -425,7 +425,7 @@ Alors comment diagonaliser les matrices ? C'est la deuxième question. Vous pouv
 Nous ouvrons une nouvelle page, nous allons à nouveau sur Twitter.
 
 0:11:34.370,0:11:42.340
-Nous allons en haut à droite. Vous devriez prendre des notes sur la façon de faire ce genre de choses. 
+Nous allons en haut à droite. Vous devriez prendre des notes sur la façon de faire ce genre de choses.
 
 0:11:43.610,0:11:50.349
 Vous faites « SVD (from :alfcnz) » Ok, cool. Si vous allez ici.
@@ -458,7 +458,7 @@ Oui, non, d'accord, c'est ennuyeux ?
 Non, d'accord.
 
 0:12:31.870,0:12:38.200
-Donc vous prenez ça, vous abaissez avec la translation et ensuite vous zoomez avec une matrice. Peut-être diagonale avec 
+Donc vous prenez ça, vous abaissez avec la translation et ensuite vous zoomez avec une matrice. Peut-être diagonale avec
 
 0:12:38.720,0:12:41.319
 quelques valeurs singulières. Bien.
@@ -563,7 +563,7 @@ Très bien, voici donc mon réseau.
 Cela revient à étirer le tissu spatial pour que tous les points qui appartiennent à la même couleur/classe
 
 0:15:42.340,0:15:47.009
-se retrouvent dans le même sous-espace de cette variété finale une fois 
+se retrouvent dans le même sous-espace de cette variété finale une fois
 
 0:15:47.860,0:15:51.900
 la convergence atteinte. Donc chaque fois que nous arrivons à la fin de cette animation,
@@ -665,7 +665,7 @@ Mon architecture de réseau est donc la suivante : j'ai mes deux neurones ici.
 J’associe celui-ci sur un deux trois, etc. Donc ici, j'ai 100.
 
 0:18:44.000,0:18:49.000
-Ensuite, j'ai une certaine non-linéarité qui est juste la partie positive. 
+Ensuite, j'ai une certaine non-linéarité qui est juste la partie positive.
 
 0:18:50.150,0:18:54.389
 Puis à partir de celui-là, je fais quelque chose de
@@ -899,7 +899,7 @@ Est-ce que tout le monde ici connaît NumPy et l'a déjà utilisée ?
 Secouez juste la tête, d'accord ?
 
 0:26:11.129,0:26:18.618
-Alors qui n'a pas la moindre idée de ce qu'est NumPy et comment cela fonctionne et qui n’a jamais utilisé jamais Python ? 
+Alors qui n'a pas la moindre idée de ce qu'est NumPy et comment cela fonctionne et qui n’a jamais utilisé jamais Python ?
 
 0:26:18.619,0:26:20.619
 Cela peut arriver, ne riez pas.
@@ -974,9 +974,9 @@ message promotionnel. Je ne suis pas payé. C'est gratuit.
 Très bien. Alors, comment allons-nous commencer ?
 
 0:28:19.750,0:28:21.750
-Nous ouvrons le terminal. 
+Nous ouvrons le terminal.
 
-0:28:23.380,0:28:28.800	
+0:28:23.380,0:28:28.800
 Nous zoomons de manière à voir quelque. Donc nous pouvons aller par exemple à l'intérieur… oh cela va être différent.
 
 0:28:29.920,0:28:32.700
@@ -1343,7 +1343,7 @@ Plus tard, je serai mathématicien. Ok, maintenant je suis mathématicien.
 Visualiser les transformations linéaires. Ici je calcule la SVD, la décomposition en valeur singulière.
 
 0:40:08.520,0:40:12.770
-Encore une fois, il y a la vidéo que j'ai déjà signalée. Je vais multiplier 
+Encore une fois, il y a la vidéo que j'ai déjà signalée. Je vais multiplier
 
 0:40:14.280,0:40:19.850
 ce nuage de points par une matrice. Donc que fait la matrice à ces taches circulaires ?
@@ -1372,7 +1372,7 @@ C'est une jolie matrice ? Une matrice de rotation ? Une matrice ennuyeuse ? [Etu
 0:41:00.089,0:41:06.409
 Comment sont les valeurs singulières ? Regardez ici. Une valeur singulière est presque proche de 0.
 
-0:41:06.410,0:41:08.410.
+0:41:06.410,0:41:08.410
 Voici donc notre matrice presque singulière
 
 0:41:09.450,0:41:13.189
@@ -1499,7 +1499,7 @@ Un conteneur séquentiel que nous mettons à l'intérieur du module linéaire. N
 Pourquoi ai-je retiré la translation ?
 
 0:44:16.549,0:44:24.008
-Car sinon cela sort de l'écran donc je garde au centre. 
+Car sinon cela sort de l'écran donc je garde au centre.
 
 0:44:25.579,0:44:31.179
 Prenons celui-là. Pour l'instant, je vais donc utiliser ce qui suit. J'utilise juste une matrice.
@@ -1514,7 +1514,7 @@ Je change l’échelle des deux éléments de la diagonale par la même valeur.
 Et puis j'applique une fonction non linéaire. Donc ma fonction non linéaire va être la suivante. C'est une tangente hyperbolique.
 
 0:44:48.920,0:44:58.740
-Elle va de -1 à peu près une fois que vous passez -2,5 ici en bas, 
+Elle va de -1 à peu près une fois que vous passez -2,5 ici en bas,
 
 0:45:00.849,0:45:03.629
 à +1 à peu près une fois que vous passez +2,5.
@@ -1538,7 +1538,7 @@ Jusqu'à ce que vous atteigniez la région linéaire, qui est approximativement
 Pourquoi est-ce que je mentionne ces nombres ? Car parfois, vous allez devoir mettre votre nez à l'intérieur.
 
 0:45:29.100,0:45:33.320
-Votre modèle n'est pas entraîné et vous voulez toujours déterminer l'ordre 
+Votre modèle n'est pas entraîné et vous voulez toujours déterminer l'ordre
 
 0:45:33.660,0:45:39.080
 de la magnitude. Les nombres approximatifs associés aux coudes de ces non-linéarités.
@@ -1592,7 +1592,7 @@ La boite va être de -1 à +1,
 Je veux dire toutes les cases de -1 à +1.
 
 0:47:17.360,0:47:20.920
-Mais alors les points à l'intérieur vont être associés en fonction de la 
+Mais alors les points à l'intérieur vont être associés en fonction de la
 
 0:47:20.920,0:47:25.539
 cartographie dont nous avons déjà mentionné. Les choses de -2,5 à +2,5 deviennent linéairement

docs/fr/week02/practicum02.sbv

@@ -47,7 +47,7 @@ Que fait la multiplication matricielle ?
 [Etudiant] Réflexion, rotation
 
 0:01:18.880,0:01:23.519
-mise à l’échelle et le shearing. 
+mise à l’échelle et le shearing.
 
 0:01:23.750,0:01:28.880
 Comment pouvez-vous faire la mise à l'échelle ? Aussi pourquoi les scalaires sont-ils appelés scalaires ?
@@ -62,7 +62,7 @@ ils « scalent ».
 Vous pouvez toujours penser à une matrice. Vous pouvez juste la normaliser de telle sorte que vous ayez un déterminant à 1.
 
 0:01:43.270,0:01:46.380
-Vous avez alors un scalaire qui modifie 
+Vous avez alors un scalaire qui modifie
 
 0:01:46.750,0:01:52.139
 la taille. Je considère généralement les matrices comme une rotation.
@@ -233,7 +233,7 @@ de voir comment la limite de décision essaye de s'adapter lors de l’entraîne
 Donc vous avez votre réseau où la première couche est en bas et la dernière couche en haut. Si vous
 
 0:06:16.810,0:06:24.579
-dessinez des réseaux dans l'autre sens, vous aurez un point en moins. L'entrée se fera donc… [Etudiant] 
+dessinez des réseaux dans l'autre sens, vous aurez un point en moins. L'entrée se fera donc… [Etudiant]
 
 0:06:24.610,0:06:26.610
 en bas. Pourquoi ?
@@ -272,7 +272,7 @@ du réseau ». Je me suis demandais quel est le sommet d'un réseau ? Je n'en av
 Donc les réseaux sont donc dessinés de bas en haut, avec la première couche en bas où vous avez les données qui arrivent.
 
 0:07:18.279,0:07:23.559
-Les caractéristiques de niveau inférieur puis vous montez et vous avez le sommet. 
+Les caractéristiques de niveau inférieur puis vous montez et vous avez le sommet.
 
 0:07:23.560,0:07:28.619
 Si vous avez plusieurs sorties, c'est ce qu'on appelle un réseau à têtes multiples. Comme une hydre.
@@ -525,7 +525,7 @@ Une caractéristique de niveau inférieur fantastique. Quelle est la couleur du
 0:14:01.880,0:14:04.929
 Rose, je veux dire, oui, c'est exact. [rires]
 
-0:14:05.870,0:14:11.440	
+0:14:05.870,0:14:11.440
 Ensuite, nous obtenons une transformation affine qui est indiquée par la flèche. Puis nous entrons dans ce f vert
 
 0:14:11.959,0:14:15.039
@@ -604,7 +604,7 @@ Oui, f et g sont des fonctions non linéaires arbitraires que vous pouvez utilis
 [Etudiante]
 
 0:16:20.309,0:16:26.299
-Ce n'est qu'une couche cachée, ma couche de sortie sera mon truc bleu. 
+Ce n'est qu'une couche cachée, ma couche de sortie sera mon truc bleu.
 
 0:16:26.730,0:16:28.399
 Vous pouvez voir le ŷ au sommet,
@@ -679,7 +679,7 @@ En gros si c’est positif, vous prenez la valeur associée, si c'est négatif,
 il y a d’autres noms que je ne sais pas.
 
 0:18:14.140,0:18:25.479
-Peu importe. J'aime « partie positive » car c’est les mathématiques. Ensuite, il y a une sigmoïde qui est 1/(1+ e⁻ˣ) quel que soit x. 
+Peu importe. J'aime « partie positive » car c’est les mathématiques. Ensuite, il y a une sigmoïde qui est 1/(1+ e⁻ˣ) quel que soit x.
 
 0:18:25.810,0:18:28.859
 La tangente hyperbolique qui n'est qu'une version redimensionnée de la sigmoïde.
@@ -694,7 +694,7 @@ Vous allez l'appeler ainsi
 car c’est une version plus douce d'une argmax. Argmax donne que des 0
 
 0:18:38.490,0:18:41.760
-sauf un indice égal à 1, correspondant à 
+sauf un indice égal à 1, correspondant à
 
 0:18:42.610,0:18:45.120
 la valeur la plus élevée. Softmax
@@ -886,7 +886,7 @@ Vous pouvez penser à mon ŷ ici. Ce type est
 une sorte de fonction ŷ de mon entrée x.
 
 0:23:54.940,0:24:01.269
-Donc x, le gars rose, est donné au réseau et celui me donne une sorte de 
+Donc x, le gars rose, est donné au réseau et celui me donne une sorte de
 
 0:24:01.270,0:24:03.879
 prédiction de sortie attendue.
@@ -934,13 +934,13 @@ Les choses bougeront un peu. Si vous allez dans un tout petit petit espace et es
 tout bouge ensemble. Mais si vous allez dans cet espace intermédiaire où tout est si éloigné,
 
 0:25:07.450,0:25:12.220
-vous pouvez tout simplement faire bouger les choses. C'est beaucoup plus facile. 
+vous pouvez tout simplement faire bouger les choses. C'est beaucoup plus facile.
 
 0:25:12.250,0:25:21.649
 Donc, aller à une représentation dimensionnelle intermédiaire, c'est vraiment vraiment utile.
 
 0:25:22.730,0:25:29.439
-Potentiellement, vous pouvez avoir un très gros réseau. Vous avez une très grosse couche cachée d'entrée. Juste une sortie, la partie la plus cool est 
+Potentiellement, vous pouvez avoir un très gros réseau. Vous avez une très grosse couche cachée d'entrée. Juste une sortie, la partie la plus cool est
 
 0:25:29.990,0:25:32.799
 que si j'ai une centaine de neurones dans ma couche cachée, je
@@ -967,7 +967,7 @@ couches cachées de 10, ok ?
 [Etudiant]
 
 0:26:07.039,0:26:11.529
-Dans le deuxième cas où vous avez une cascade de choses, vous aurez des 
+Dans le deuxième cas où vous avez une cascade de choses, vous aurez des
 
 0:26:11.750,0:26:14.079
 dépendances dans les données et vous devrez attendre les gars.
@@ -976,7 +976,7 @@ dépendances dans les données et vous devrez attendre les gars.
 Il faut avoir fini avant de commencer la prochaine opération. Donc, par définition, plus vous empilez de couches, plus vous êtes lent.
 
 0:26:21.140,0:26:27.640
-Dans l'autre cas, vous devez disposer de beaucoup plus d'unités afin de 
+Dans l'autre cas, vous devez disposer de beaucoup plus d'unités afin de
 
 0:26:28.669,0:26:33.459
 d’être aussi bon que vous l'êtes en empilant quelques-unes de ces couches.
@@ -1012,7 +1012,7 @@ Très bien, alors, ok.
 Dans ce cas, mon entrée vit dans un espace bidimensionnel.
 
 0:27:08.900,0:27:12.939
-Ma couche cachée vit dans un espace à cent dimensions 
+Ma couche cachée vit dans un espace à cent dimensions
 
 0:27:13.130,0:27:16.780
 et ma sortie vit dans un espace tridimensionnel.
@@ -1100,7 +1100,7 @@ Le y bleu est le « one hot encoding » et ŷ est la sortie du réseau,
 
 0:29:34.760,0:29:41.349
 la sortie du soft(arg)max. Donc ma perte par échantillon est – log de ce
-soft(arg)max 
+soft(arg)max
 
 0:29:44.630,0:29:46.839
 à la correcte classe k.
@@ -1244,7 +1244,7 @@ Désolé répétez.
 L’équation de ŷ
 
 0:33:34.160,0:33:40.150
-que vous ne pouvez pas voir, enfin très mal en gris, dit que ŷ est 
+que vous ne pouvez pas voir, enfin très mal en gris, dit que ŷ est
 
 0:33:40.340,0:33:42.340
 une fonction de votre entrée x.
@@ -1521,7 +1521,7 @@ Arrangement mirror, ok.
 Vous pouvez voir ? Non :/
 
 0:42:03.450,0:42:07.250
-Nous allons donc passer en revue la classification en spirale. 
+Nous allons donc passer en revue la classification en spirale.
 
 0:42:13.470,0:42:17.030
 Donc… Oh vous pouvez voir l’écran, je n'ai pas besoin d'éteindre la lumière.
@@ -1545,7 +1545,7 @@ Ici, je viens de mettre les même que vous avez vu avant. Vous devriez être cap
 Cela fait partie des devoirs.
 
 0:42:58.410,0:43:03.920
-Ok, je visualise les données et obtiens ça. Vous n’êtes pas surpris :/ 
+Ok, je visualise les données et obtiens ça. Vous n’êtes pas surpris :/
 
 0:43:04.560,0:43:07.909
 Il s'agit donc des points de départs. Les points ont deux coordonnées
@@ -1620,10 +1620,10 @@ Mais quelle est la première valeur de ma perte ?
 Aucune idée ?
 
 0:45:39.210,0:45:42.230
-Ah vous voyez mon écran, bon sang, je ne peux même pas… 
+Ah vous voyez mon écran, bon sang, je ne peux même pas…
 
 0:45:43.019,0:45:48.019
-Ok, trouvez quel est le premier numéro que vous obtenez ici et 
+Ok, trouvez quel est le premier numéro que vous obtenez ici et
 
 0:45:49.920,0:45:52.490
 pourquoi. Si vous ne trouvez pas, je vous le dirai la semaine prochaine.
@@ -1716,7 +1716,7 @@ Donc, pour entraîner un réseau, vous avez votre entrée X qui est tous mes poi
 Je la donne au réseau, à l'intérieur du « model ».
 
 0:48:24.559,0:48:31.149
-Le modèle me donne y_pred. La définition du modèle est ce conteneur-là. 
+Le modèle me donne y_pred. La définition du modèle est ce conteneur-là.
 
 0:48:32.660,0:48:35.980
 Nous avons le modèle, nous lui donnons tous les x et nous obtenons y_pred.
@@ -1773,7 +1773,7 @@ Dérivée partielle de… [Etudiant]
 la perte par rapport au
 
 0:50:03.260,0:50:09.910
-paramètre. La rétropropagation est juste la règle de la chaîne. Elle calcule toutes les dérivées partielles de votre perte finale, 
+paramètre. La rétropropagation est juste la règle de la chaîne. Elle calcule toutes les dérivées partielles de votre perte finale,
 
 0:50:09.910,0:50:16.809
 dans le cas ici la MSE, pour chacun des paramètres de votre modèle. Enfin, « step ».
@@ -1812,7 +1812,7 @@ J’entraîne cette chose.
 Regardons la prédiction avant d’entraîner. Donc avant d’entraîner, vous allez obtenir ce genre de prédictions.
 
 0:51:21.680,0:51:25.930
-On tire en quelque sorte vers le zéro. Une sorte de ligne horizontale. 
+On tire en quelque sorte vers le zéro. Une sorte de ligne horizontale.
 
 0:51:26.480,0:51:28.810
 La ligne verte représente la variance.