diff --git a/.gitmodules b/.gitmodules index f771bf0..db08fc3 100644 --- a/.gitmodules +++ b/.gitmodules @@ -1,3 +1,3 @@ [submodule "docs/jekyllbook"] path = docs/jekyllbook - url = https://github.com/ebetica/jekyllbook + url = https://github.com/lbourdois/jekyllbook diff --git a/docs/en/faq.md b/docs/en/faq.md index 0647d0d..115d4b4 100644 --- a/docs/en/faq.md +++ b/docs/en/faq.md @@ -43,11 +43,11 @@ Here are some answers to frequently asked questions: > > For credit, you can use the following BibTeX: > ```bibtex -> @misc{canziani2020nyudlsp21, +> @misc{canziani2020nyudlsp20, > author = {Canziani, Alfredo and LeCun, Yann}, -> title = {{NYU Deep Learning, Spring 2021}}, -> howpublished = "\url{https://atcold.github.io/NYU-DLSP21}", -> year = {2021}, +> title = {NYU Deep Learning, Spring 2020}, +> howpublished = "\url{https://atcold.github.io/NYU-DLSP20}", +> year = {2020}, > note = "[Online; accessed ]" > } > ``` diff --git a/docs/en/week09/09-3.md b/docs/en/week09/09-3.md index 7215d89..aae6c50 100644 --- a/docs/en/week09/09-3.md +++ b/docs/en/week09/09-3.md @@ -289,7 +289,7 @@ $$ \red{C}(\vy)=\Vert{\yellow{\text{Dec}}}(\green{\text{Enc}}(\vy))-{\vy}\Vert^2 $$ -The cost network would push good samples to 0 and bad sample to energy level $m$. Using the above $\red{C}(\vy)$, there would exist a quadratic distance between the points on manifold, $\vy}$ and points generated by the generator $\vyhat$. During the training, generator is updated to try to produce samples that would gradually have low energy as $\vy$ guided by $\red{C}$. Once trained, the generator should produce samples near to data manifold. +The cost network would push good samples to 0 and bad sample to energy level $m$. Using the above $\red{C}(\vy)$, there would exist a quadratic distance between the points on manifold, $\vy$ and points generated by the generator $\vyhat$. During the training, generator is updated to try to produce samples that would gradually have low energy as $\vy$ guided by $\red{C}$. Once trained, the generator should produce samples near to data manifold. **Adopting another analogy** , the generative model can be thought as team of *counterfeiters*, trying to produce fake currency. Their aim to produce fake currency which is indistinguishable from real currency. The discriminator can be viewed as *police*, trying to detect among counterfeit and fake currency bills. Gradients from backprop can be seen as *spies* that give opposite direction to counterfeiters (generator) in order to fool the police (discriminator). diff --git a/docs/fr/faq.md b/docs/fr/faq.md index 775e288..f43626e 100644 --- a/docs/fr/faq.md +++ b/docs/fr/faq.md @@ -24,16 +24,15 @@ Le site web sert ainsi davantage de résumé des vidéos ou encore de base que v En cas de besoin vous pouvez facilement basculer du site à un moment d’une vidéo donnée en cliquant sur les titres des paragraphes des pages web. - # FAQ Voici quelques réponses à des questions fréquemment posées : -- **Est-ce que suivre ce cours permet d’obtenir une certification ?** -> Non. Pour proposer une certification, il faudrait pouvoir vous évaluer or le contenu n’a pas été prévu pour (contrairement à un MOOC par exemple). -> Cette demande étant fréquente, des réflexions sont menées pour essayer d’en proposer une pour des éditions futures du cours. -- **Combien de temps consacrer à ce cours ?** +- **Est-ce que suivre ce cours permet d'obtenir une certification ?** +> Non. Pour proposer une certification, il faudrait pouvoir vous évaluer or le contenu n'a pas été prévu pour (contrairement à un MOOC par exemple). Cette demande étant fréquente, des réflexions sont menées pour essayer d'en proposer une pour des éditions futures du cours. +- **Combien de temps consacrer à ce cours ?** > Pour chaque semaine, il y a environ 2h30/3h de contenu vidéo. Avec le temps consacré à la prise de notes et celui pour jouer avec les *notebooks*, une estimation totale de 5h par semaine semble raisonnable. Pour la suite, cela dépend du niveau d'immersion que vous voulez atteindre dans un sujet donné (lire les articles donnés en référence, appliquer ce qui a été vu en classe à vos propres projets, etc.). -- **Où poser une question à l’issue du visionnage d’une vidéo ?** -> Vous pouvez la poser directement (en anglais) dans la section commentaires sous la vidéo YouTube en question, Alfredo se fera un plaisir d’y répondre. Si cette question porte sur un point précis de la vidéo, pensez à indiquer l’horodatage. Vous pouvez le faire également sur le [Discord](https://discord.gg/CthuqsX8Pb) de la classe dédié expressément aux étudiants. Il sert également à coordonner des groupes de visionnage, discuter des devoirs, suggérer des améliorations ou plus généralement pour tout sujet lié au cours. +- **Où poser une question à l'issue du visionnage d'une vidéo ?** +> Vous pouvez la poser directement (en anglais) dans la section commentaires sous la vidéo YouTube en question, Alfredo se fera un plaisir d'y répondre. Si cette question porte sur un point précis de la vidéo, pensez à indiquer l'horodatage. +> Vous pouvez le faire également sur le [Discord](https://discord.gg/CthuqsX8Pb) de la classe dédié expressément aux étudiants. Il sert également à coordonner des groupes de visionnage, discuter des devoirs, suggérer des améliorations ou plus généralement pour tout sujet lié au cours. - **Puis-je utiliser ce cours?** > Bien sûr, le cours est placé sous la [Licence internationale Creative Commons Attribution-NonCommercial-ShareAlike 4.0](https://creativecommons.org/licenses/by-nc-sa/4.0/deed.fr). > Cela signifie que : @@ -42,13 +41,15 @@ Voici quelques réponses à des questions fréquemment posées : > - Dans le cas où vous effectuez un remix, que vous transformez, ou créez à partir du matériel à partir de l'œuvre originale, vous devez diffuser l'œuvre modifiée dans les mêmes conditions, c'est à dire avec la même licence avec laquelle l'œuvre originale a été diffusée. > > - Pour le crédit, vous pouvez utiliser le BibTeX suivant : +> ```bibtex > @misc{canziani2020nyudlsp21, - author = {Canziani, Alfredo and LeCun, Yann}, - title = {NYU Deep Learning, Spring 2021}, - howpublished = "\url{https://github.com/Atcold/NYU-DLSP21}", - year = {2021}, - note = "[Online; accessed ]" -} +> author = {Canziani, Alfredo and LeCun, Yann}, +> title = {{NYU Deep Learning, Spring 2021}}, +> howpublished = "\url{https://atcold.github.io/NYU-DLSP21}", +> year = {2021}, +> note = "[Online; accessed ]" +> } +> ``` diff --git a/docs/fr/print.md b/docs/fr/print.md new file mode 100644 index 0000000..5ad5dd2 --- /dev/null +++ b/docs/fr/print.md @@ -0,0 +1,8 @@ +--- +layout: default +title: Print +lang: fr +lang-ref: print +permalink: /fr/print/ +print_page: true +--- diff --git a/docs/fr/week09/09-3.md b/docs/fr/week09/09-3.md index 981b66b..bdbcfce 100644 --- a/docs/fr/week09/09-3.md +++ b/docs/fr/week09/09-3.md @@ -625,7 +625,7 @@ $$ $$ Le réseau de coût pousse les bons échantillons à 0 et les mauvais échantillons au niveau d'énergie $m$. -En utilisant la formule ci-dessus $\red{C}(\vy)$, il existerait une distance quadratique entre les points de la variété $\vy}$ et les points générés par le générateur $\vyhat$. +En utilisant la formule ci-dessus $\red{C}(\vy)$, il existerait une distance quadratique entre les points de la variété $\vy$ et les points générés par le générateur $\vyhat$. Au cours de l'apprentissage, le générateur est mis à jour pour essayer de produire des échantillons qui auraient progressivement une énergie faible à mesure que $\vy$ est guidé par $\red{C}$. Une fois entraîné, le générateur devrait produire des échantillons proches de la variété de données. diff --git a/docs/jekyllbook b/docs/jekyllbook index bdfa5ba..3a7dc9c 160000 --- a/docs/jekyllbook +++ b/docs/jekyllbook @@ -1 +1 @@ -Subproject commit bdfa5ba3ac15eb9e9f74cc17178cc5b686c6c6ba +Subproject commit 3a7dc9c65a054d56432cce6b245e1dc18abd5eec diff --git a/docs/print.md b/docs/print.md new file mode 100644 index 0000000..304df7b --- /dev/null +++ b/docs/print.md @@ -0,0 +1,7 @@ +--- +layout: default +title: Print +lang-ref: print +permalink: /print/ +print_page: true +---