Mon Firefox ne veut pas afficher les symboles de LaTex......

[Bounoume]

Bonjour,
lorsque j' appelle cette page, Firefox ne remplace pas le code LaTex par les symboles mathématiques correspondants:
https://code.i-harness.com/fr/docs/t...rials/word2vec
Je croyais que Firefox reconnaissait les inclusions en LaTex....
SI non, quelle extension charger (en recherche pour "LaTex" il en propose plus de 1000 ... )?
Ou quelle option activer?

Ou alors ce n' est pas du LaTex? Ou alors le code du site est-il incorrect.?... ce qui me paraît très peu probable .....
merci d' avance

ps: un morceau du texte copié:

Les modèles de langage probabilistes neuronaux sont généralement formés selon le principe du maximum de vraisemblance (ML) afin de maximiser la probabilité du mot suivant \ (w_t \) (pour "cible") à l'aide des mots précédents \ (h \) (pour "historique") dans termes d'une fonction softmax ,
$$ \ begin {align} P (w_t | h) & = \ text {softmax} (\ text {score} (w_t, h)) \\ & = \ frac {\ exp \ {\ text {score} (w_t , h) \}} {\ sum_ \ text {Word w 'dans Vocab} \ exp \ {\ text {score} (w', h) \}} \ end {align} $$

où \ (\ text {score} (w_t, h) \) calcule la compatibilité du mot \ (w_t \) avec le contexte \ (h \) (un produit scalaire est couramment utilisé). Nous formons ce modèle en maximisant sa log-likelihood sur l’ensemble de formation, c’est-à-dire en maximisant
$$ \ begin {align} J_ \ text {ML} & = \ log P (w_t | h) \\ & = \ text {score} (w_t, h) - \ log \ left (\ sum_ \ text {Word w 'dans le vocabulaire} \ exp \ {\ text {score} (w', h) \} \ right). \ end {align} $$

Cela donne un modèle probabiliste correctement normalisé pour la modélisation du langage. Cependant, cela coûte très cher, car nous devons calculer et normaliser chaque probabilité en utilisant le score de tous les autres \ (V \) mots \ (w '\) dans le contexte actuel \ (h \), à chaque étape de la formation .

-----

[JPL]

Le site te montre simplement le code Latex en mode texte. Donc c’est normal.

[CM63]

Ce n'est pas à l'internaute de faire en sorte que le LaTeX soit traduit, c'est à l'auteur du site. Ici il y a manifestement un problème.

[JPL]

Moi j’ai compris que c’était volontaire pour montrer le code.

[A voir en vidéo sur Futura]

[pm42]

Moi j’ai compris que c’était volontaire pour montrer le code.

Il y a plusieurs endroits dans le texte où j'ai quand même l'impression qu'il voulait mettre le résultat et pas le code.
Après, ce que j'ai vu du site ne fait pas envie : pas de moyen simple de les contacter, etc.

Vu qu'il parle de techniques hyper-classiques, on doit pouvoir en trouver un sans ce genre de problème. Et idéalement, qui serait en Keras puisque c'est maintenant en standard et plus sympa que le tensorflow dans le dur. On en pytorch qui est parfois préféré pour l'enseignement et la recherche.

Mais c'est anecdotique comparé au fait d'avoir des formules lisibles même si dans le cas présent, ce qui est important à comprendre, c'est cette façon de projeter les mots dans un espace vectoriel de grande dimension, d'utiliser des distances qui représentent bien les liens conceptuels et bien sur la réduction de dimensionnalité.

[Bounoume]

L' avantage du site que j' avais trouvé était que.... c' est en français, assez bien traduit.....

Mais c'est anecdotique comparé au fait d'avoir des formules lisibles même si dans le cas présent, ce qui est important à comprendre, c'est cette façon de projeter les mots dans un espace vectoriel de grande dimension, d'utiliser des distances qui représentent bien les liens conceptuels et bien sur la réduction de dimensionnalité.

là, le principe de base de représenter,
chaque couple : { le_mot_représenté_par_le vecteur :: un_mot_i_ voisin_dans_la_phrase }
représentation de toutes les occurrences du couple = un réel ........
nombre réel qui est une fonction du nombre d' occurrences où on trouve le mot i à proximité du mot que le vecteur doit représenter..........
et de caser les résultats (pour tous les couples possibles) dans un n-uplet sous forme de vecteur à n dimensions

ça, je crois avoir compris.
Même si dans les temps anciens je n' avais fréquenté que des vecteurs à 3 dimensions.....

Là où ça coince, c' est comment réduire la dimension du vecteur.....
J' ai trouvé un wiki sur 'contraction des tenseurs'..... dont la complexité m' effraie..... et rien sur le moyen de réduire la dimension d' un vecteur.....
Y aurait-il un moyen de me représenter le principe calculatoire la réduction de dimensionnalité, sans devoir aborder des notions qui me dépassent complètement?
Un site en français?

[pm42]

Même si dans les temps anciens je n' avais fréquenté que des vecteurs à 3 dimensions.....

Tu as besoin de savoir où est un point sur une droite : 1 dimension. Dans un plan, 2 dimensions, dans l'espace 3 dimensions...
A chaque fois, on prend un vecteur plus grand.

En IA, on dit "de combien de caractéristiques j'ai besoin pour représenter ma donnée ?". On trouve ce nombre n et donc on représente la donnée comme un point dans un espace à n dimensions.
Par exemple, si tu fais une IA qui pilote la transmission d'une voiture, tu vas dire que tu as besoin du régime moteur, du rapport de transmission, du braquage des roues, de l'intensité sur les freins et donc d'un vecteur à 4 dimensions. Puis tu vas rajouter des paramètres et augmenter la taille de ton vecteur.

Là où ça coince, c' est comment réduire la dimension du vecteur.....

C'est un peu pointu mathématiquement mais tu peux commencer par une technique simple : https://fr.wikipedia.org/wiki/Analys...es_principales

En gros, on constate que nos points ne sont pas répartis uniformément dans cet espace à n dimensions et qu'ils y a des corrélations entre certains paramètres/dimensions.
Par exemple, si tu te rends compte que 2 paramètres sont reliés par une loi du genre p2 = a p1 + b, tu peux les remplacer par un seul.

[Bounoume]

merci pour le lien
https://fr.wikipedia.org/wiki/Analys...es_principales
mes notions de statistiques étaient limitées à la loi normale, Student, chi-deux et la corrélation simple.....
les recettes de cuisine, en somme.......
Je vais essayer de découvrir....