[FR] Add 🤗 Tasks videos

subtitles/fr/63_data-processing-for-causal-language-modeling.srt

@@ -116,11 +116,11 @@ et nous ne perdons aucune séquence car elles sont trop courtes. Jusqu'à prése
 
 30
 00:03:05,840 --> 00:03:10,720
-des entrées pour la modélisation causale du langage, mais pas des étiquettes nécessaires à l'entraînement supervisée.
+des entrées pour la modélisation du langage causal, mais pas des étiquettes nécessaires à l'entraînement supervisée.
 
 31
 00:03:11,600 --> 00:03:16,480
-Lorsque nous effectuons une modélisation causale du langage, nous n'avons pas besoin d'étiquettes supplémentaires pour les séquences d'entrée
+Lorsque nous effectuons une modélisation du langage causal, nous n'avons pas besoin d'étiquettes supplémentaires pour les séquences d'entrée
 
 32
 00:03:16,480 --> 00:03:22,080
@@ -168,4 +168,4 @@ Donc vous voyez qu'il n'y a pas de magie
 
 43
 00:04:21,600 --> 00:04:27,840
-impliquée dans le traitement des données pour la modélisation du langage causal et ne nécessite que quelques étapes simples !
+impliquée dans le traitement des données pour la modélisation du langage causal et ne nécessite que quelques étapes simples !

subtitles/fr/tasks_00_🤗-tasks-token-classification.srt

@@ -1,116 +1,99 @@
 1
 00:00:04,520 --> 00:00:07,400
-Bienvenue dans la série de tâches Hugging Face !
+Bienvenue dans la série d'Hugging Face sur les tâches ! 
 
 2
 00:00:07,400 --> 00:00:11,870
-Dans cette vidéo, nous allons examiner la
-tâche de classification des jetons.
+Dans cette vidéo, nous allons jeter un coup d'œil à la tâche de classification de tokens.
 
 3
 00:00:11,870 --> 00:00:17,900
-La classification des jetons consiste à attribuer
-une étiquette à chaque jeton dans une phrase.
+La classification de tokens consiste à attribuer une étiquette à chaque token d'une phrase
 
 4
 00:00:17,900 --> 00:00:23,310
-Il existe diverses tâches de classification de jetons
-et les plus courantes sont la reconnaissance d'entités nommées et le balisage de la
+Il existe plusieurs tâches de classification de tokens, les plus courantes étant la reconnaissance d’entités nommées 
 
 5
 00:00:23,310 --> 00:00:26,430
-partie du discours.
+et le « part-of-speech ».
 
 6
 00:00:26,430 --> 00:00:31,640
-Jetons un coup d'œil à la
-tâche de reconnaissance d'entité nommée.
+Jetons un coup d'œil rapide à la tâche de reconnaissance d'entités nommées
 
 7
 00:00:31,640 --> 00:00:38,400
-L'objectif de cette tâche est de trouver les entités
-dans un morceau de texte, telles qu'une personne, un lieu
+L'objectif de cette tâche est de trouver les entités dans un texte, comme une personne, un lieu 
 
 8
 00:00:38,400 --> 00:00:40,210
 ou une organisation.
 
 9
 00:00:40,210 --> 00:00:45,250
-Cette tâche consiste à étiqueter chaque
-jeton avec une classe pour chaque entité et
+Cette tâche est formulée comme l'étiquetage de chaque token avec une classe pour chaque entité,
 
 10
 00:00:45,250 --> 00:00:51,719
-une autre classe pour les jetons qui n'ont pas d'entité.
+et une autre classe pour les tokens qui n'ont pas d'entité.
 
 11
 00:00:51,719 --> 00:00:55,670
-Une autre tâche de classification des jetons est le balisage des parties du discours
-.
+Une autre tâche de classification de tokens est le « part-of-speech ».
 
 12
 00:00:55,670 --> 00:01:01,399
-Le but de cette tâche est d'étiqueter les mots
-pour une partie particulière d'un discours, comme le
+L'objectif de cette tâche est d'étiqueter les mots pour une partie particulière du texte, comme 
 
 13
 00:01:01,399 --> 00:01:05,900
-nom, le pronom, l'adjectif, le verbe et ainsi de suite.
+un nom, un pronom, un adjectif, un verbe, etc. 
 
 14
 00:01:05,900 --> 00:01:11,270
-Cette tâche consiste à étiqueter chaque
-jeton avec des parties du discours.
+Cette tâche est formulée comme l'étiquetage de chaque token avec les parties du texte.
 
 15
 00:01:11,270 --> 00:01:19,659
-Les modèles de classification de jetons sont évalués
-sur l'exactitude, le rappel, la précision et le score F1.
+Les modèles de classification de tokens sont évalués sur l'exactitude, le rappel, la précision et le score F1.
 
 16
 00:01:19,659 --> 00:01:22,950
-Les métriques sont calculées pour chacune des
-classes.
+Les métriques sont calculées pour chacune des classes.
 
 17
 00:01:22,950 --> 00:01:28,040
-Nous calculons les vrais positifs, les vrais négatifs
-et les faux positifs pour calculer la précision
+Nous calculons les vrais positifs, les vrais négatifs et les faux positifs pour calculer la précision
 
 18
 00:01:28,040 --> 00:01:31,829
-et le rappel, et prenons leur moyenne harmonique pour
-obtenir le F1-Score.
+et le rappel, et prenons leur moyenne harmonique pour obtenir le score F1.
 
 19
 00:01:31,829 --> 00:01:42,329
-Ensuite, nous le calculons pour chaque classe et prenons
-la moyenne globale pour évaluer notre modèle.
+Ensuite, nous les calculons pour chaque classe et prenons la moyenne globale pour évaluer notre modèle.
 
 20
 00:01:42,329 --> 00:01:45,680
 Un exemple de jeu de données utilisé pour cette tâche est ConLL2003.
 
 21
 00:01:45,680 --> 00:01:51,750
-Ici, chaque jeton appartient à une certaine
-classe d'entités nommées, désignées par les indices de la
+Ici, chaque token appartient à une certaine classe d'entités nommées, désignées par les indices de la
 
 22
 00:01:51,750 --> 00:01:55,380
 liste contenant les étiquettes.
 
 23
 00:01:55,380 --> 00:02:00,720
-Vous pouvez extraire des informations importantes des
-factures à l'aide de modèles de reconnaissance d'entités nommées,
+Vous pouvez extraire des informations importantes de factures à l'aide de modèles de reconnaissance d'entités nommées,
 
 24
 00:02:00,720 --> 00:02:07,070
 telles que la date, le nom de l'organisation ou l'adresse.
 
 25
 00:02:07,070 --> 00:02:16,840
-Pour plus d'informations sur la tâche de classification des jetons
-, consultez le cours Hugging Face.
+Pour plus d'informations sur la tâche de classification de tokens, consultez le cours d'Hugging Face.

subtitles/fr/tasks_01_🤗-tasks-question-answering.srt

@@ -1,87 +1,71 @@
 1
 00:00:04,400 --> 00:00:06,480
-Bienvenue dans la série de tâches Hugging Face.
+Bienvenue dans la série d'Hugging Face sur les tâches ! 
 
 2
 00:00:07,200 --> 00:00:10,080
-Dans cette vidéo, nous allons examiner
-la tâche de réponse aux questions.
+Dans cette vidéo, nous allons examiner la tâche de réponse aux questions.
 
 3
 00:00:13,120 --> 00:00:17,200
-La réponse aux questions consiste à
-extraire une réponse dans un document donné.
+La réponse aux questions consiste à extraire une réponse dans un document donné.
 
 4
 00:00:21,120 --> 00:00:25,600
-Les modèles de réponse aux questions prennent un contexte,
-qui est le document dans lequel vous souhaitez effectuer une recherche,
+Les modèles de réponse aux questions prennent un contexte, qui est le document dans lequel vous souhaitez effectuer une recherche,
 
 5
 00:00:26,240 --> 00:00:31,440
-et une question et renvoient une réponse.
-Notez que la réponse n'est pas générée,
+et une question et renvoient une réponse. Notez que la réponse n'est pas générée,
 
 6
 00:00:31,440 --> 00:00:37,600
-mais extraite du contexte.  Ce type
-de réponse aux questions est appelé extractif.
+mais extraite du contexte. Ce type de réponse aux questions est appelé extractive.
 
 7
 00:00:42,320 --> 00:00:46,960
-La tâche est évaluée sur deux
-statistiques, la correspondance exacte et le score F1.
+La tâche est évaluée sur deux statistiques, la correspondance exacte et le score F1.
 
 8
 00:00:49,680 --> 00:00:52,320
 Comme son nom l'indique, la correspondance exacte recherche une
 
 9
 00:00:52,320 --> 00:00:57,840
-correspondance exacte entre la
-réponse prédite et la bonne réponse.
+correspondance exacte entre la réponse prédite et la bonne réponse.
 
 10
 00:01:00,080 --> 00:01:05,520
-Une métrique couramment utilisée est le F1-Score, qui
-est calculé sur des jetons prédits
+Une métrique couramment utilisée est le F1-Score, qui est calculé sur des tokens prédits
 
 11
 00:01:05,520 --> 00:01:10,960
-correctement et incorrectement.  Il est calculé
-sur la moyenne de deux métriques appelées
+correctement et incorrectement. Il est calculé sur la moyenne de deux métriques appelées
 
 12
 00:01:10,960 --> 00:01:16,560
-précision et rappel, qui sont des métriques
-largement utilisées dans les problèmes de classification.
+précision et rappel, qui sont des métriques largement utilisées dans les problèmes de classification.
 
 13
 00:01:20,880 --> 00:01:28,240
-Un exemple d'ensemble de données utilisé pour cette tâche est appelé
-SQuAD.  Cet ensemble de données contient des contextes, des questions
+Un exemple de jeu de données utilisé pour cette tâche est appelé SQuAD. Ce jeu de données contient des contextes, des questions
 
 14
 00:01:28,240 --> 00:01:32,080
-et les réponses obtenues à
-partir d'articles de Wikipédia en anglais.
+et les réponses obtenues à partir d'articles de Wikipédia en anglais.
 
 15
 00:01:35,440 --> 00:01:39,520
-Vous pouvez utiliser des modèles de questions-réponses pour
-répondre automatiquement aux questions posées
+Vous pouvez utiliser des modèles de réponse aux questions pour répondre automatiquement aux questions posées
 
 16
 00:01:39,520 --> 00:01:46,480
-par vos clients.  Vous avez simplement besoin d'un document
-contenant des informations sur votre entreprise
+par vos clients. Vous avez simplement besoin d'un document contenant des informations sur votre entreprise
 
 17
 00:01:47,200 --> 00:01:53,840
-et interrogez ce document avec
-les questions posées par vos clients.
+et interrogez ce document avec les questions posées par vos clients.
 
 18
 00:01:55,680 --> 00:02:06,160
-Pour plus d'informations sur la tâche Question Answering
-, consultez le cours Hugging Face.
+Pour plus d'informations sur la tâche de réponse aux questions, consultez le cours d'Hugging Face.

subtitles/fr/tasks_02_🤗-tasks-causal-language-modeling.srt

@@ -1,63 +1,51 @@
 1
 00:00:04,560 --> 00:00:06,640
-Bienvenue dans la série de tâches Hugging Face !
+Bienvenue dans la série d'Hugging Face sur les tâches ! 
 
 2
 00:00:07,200 --> 00:00:10,400
-Dans cette vidéo, nous allons jeter un œil
-à la modélisation du langage causal.
+Dans cette vidéo, nous allons jeter un œil à la modélisation du langage causal.
 
 3
 00:00:13,600 --> 00:00:16,880
-La modélisation du langage causal consiste à
-prédire le
+La modélisation du langage causal consiste à prédire le
 
 4
 00:00:16,880 --> 00:00:21,920
-mot suivant dans une phrase, compte tenu de tous les
-mots précédents.  Cette tâche est très
+mot suivant dans une phrase, compte tenu de tous les mots précédents. Cette tâche est très
 
 5
 00:00:21,920 --> 00:00:29,920
-similaire à la fonction de correction automatique
-que vous pourriez avoir sur votre téléphone.
+similaire à la fonction de correction automatique que vous pourriez avoir sur votre téléphone.
 
 6
 00:00:29,920 --> 00:00:34,720
-Ces modèles prennent une séquence à
-compléter et génèrent la séquence complète.
+Ces modèles prennent une séquence à compléter et génèrent la séquence complète.
 
 7
 00:00:38,640 --> 00:00:44,160
-Les statistiques de classification ne peuvent pas être utilisées, car il n'y a
-pas de réponse correcte unique pour l'achèvement.
+Les métriques de classification ne peuvent pas être utilisées, car il n'y a pas de réponse correcte unique pour la complétion.
 
 8
 00:00:44,960 --> 00:00:49,280
-Au lieu de cela, nous évaluons la distribution
-du texte complété par le modèle.
+Au lieu de cela, nous évaluons la distribution du texte complété par le modèle.
 
 9
 00:00:50,800 --> 00:00:55,440
-Une mesure courante pour ce faire est la
-perte d'entropie croisée.  La perplexité est
+Une métrique courante pour ce faire est la perte d'entropie croisée. La perplexité est
 
 10
 00:00:55,440 --> 00:01:01,280
-également une mesure largement utilisée et elle est calculée
-comme l'exponentielle de la perte d'entropie croisée.
+aussi une métrique largement utilisée et elle est calculée comme l'exponentielle de la perte d'entropie croisée.
 
 11
 00:01:05,200 --> 00:01:11,840
-Vous pouvez utiliser n'importe quel ensemble de données avec du texte brut
-et segmenter le texte pour préparer les données.
+Vous pouvez utiliser n'importe quel jeu de données avec du texte brut et tokeniser le texte pour préparer les données.
 
 12
 00:01:15,040 --> 00:01:18,240
-Les modèles de langage causal peuvent
-être utilisés pour générer du code.
+Les modèles de langage causal peuvent être utilisés pour générer du code.
 
 13
 00:01:22,480 --> 00:01:33,200
-Pour plus d'informations sur la
-tâche Modélisation du langage causal, consultez le cours Hugging Face.
+Pour plus d'informations sur la tâche de modélisation du langage causal, consultez le cours d'Hugging Face.