WEBVTT 00:00.690 --> 00:05.730 Bonjour et bienvenue dans le cours d’apprentissage en profondeur dans la presse, nous avons découvert ce que sont 00:05.810 --> 00:07.290 les réseaux de neurones convolutionnels. 00:07.350 --> 00:11.050 Et aujourd'hui, nous allons plonger dans la convolution de l'étape 1. 00:11.100 --> 00:18.530 Donc, c’est la fonction de convolution et nous essayons de rester à l’écart des mathématiques et de garder les choses intuitives. 00:18.540 --> 00:25.110 Mais je ne pouvais pas m'empêcher de partager cette formule pour vous parce que c'est si simple, une convolution est fondamentalement une 00:25.110 --> 00:31.380 intégration combinée des deux fonctions et elle vous montre comment une fonction modifie l'autre ou modifie la forme de l'autre et 00:31.470 --> 00:36.520 si vous en avez un. Si vous avez fait un traitement du signal ou en génie 00:36.520 --> 00:42.030 électrique ou une profession où le traitement du signal est requis, vous auriez inévitablement rencontré une fonction de 00:42.030 --> 00:42.390 conclusion. 00:42.390 --> 00:44.090 C'est assez populaire maintenant. 00:44.100 --> 00:49.490 Encore une fois, nous allons garder les lumières de mathématiques ou les séparer. 00:49.500 --> 00:56.190 Et si vous souhaitez entrer dans les mathématiques derrière les réseaux de neurones convolutionnels, une 00:56.520 --> 01:05.010 excellente lecture supplémentaire est Introduction aux réseaux de neurones convolutionnels de Jensine Wu, professeur à l'Université de Nanjing en 01:05.010 --> 01:05.820 Chine. 01:05.820 --> 01:12.780 Cet article a été publié littéralement il y a quelques jours, il y a cinq ou six jours. Il 01:12.780 --> 01:17.690 s'adresse plus particulièrement aux débutants qui connaissent bien les réseaux de neurones 01:18.250 --> 01:23.700 convolutifs, de sorte que les mathématiques devraient être accessibles par courrier électronique au professeur Johnson. 01:23.730 --> 01:32.040 Et oui, il a déclaré que son objectif était de créer ou de décomposer les éléments complexes afin que les personnes novices dans ce 01:32.040 --> 01:33.360 domaine puissent comprendre. 01:33.360 --> 01:40.680 Et aussi, il a mentionné qu’il avait de la documentation disponible sur sa page d’accueil, donc si vous supprimez vous-même les deux dernières parties et 01:40.680 --> 01:47.220 que vous allez simplement aimer Slash W. J. En accédant à la page d’accueil 01:47.220 --> 01:52.380 correspondant à sa page d’accueil, vous pourrez trouver d’autres didacticiels et matériels qui n’ont pas été 01:52.380 --> 01:59.120 publiés en tant que papiers, mais il les utilise dans ses didacticiels afin que vous puissiez les trouver utiles, alors parcourez-les 01:59.130 --> 02:05.130 si vous ' d aimerais avoir une introduction aux mathématiques derrière les réseaux de neurones de coalition et construire 02:05.130 --> 02:08.470 en quelque sorte une base solide autour de cette zone. 02:08.550 --> 02:12.570 Mais nous allons continuer et nous allons parler de la convolution. 02:12.570 --> 02:17.160 Alors, quelle est la bonne solution en termes intuitifs, ici à gauche. 02:17.160 --> 02:21.690 Nous avons une image d'entrée au moment où nous en avons discuté, c'est ainsi que nous allons examiner les images simplement et des 02:21.690 --> 02:22.750 zéros pour simplifier les choses. 02:22.950 --> 02:25.050 Et vous pouvez voir le visage souriant ici. 02:25.090 --> 02:28.660 Ensuite, nous avons un détecteur de fonctions, qui comporte donc une matrice trois sur trois. 02:28.740 --> 02:30.120 Doit-il être trois par trois. 02:30.150 --> 02:31.920 Non ce n'est pas. 02:31.920 --> 02:35.810 Alex net je pense utilise sept par sept. 02:35.850 --> 02:41.640 Et puis, un autre de ces célèbres utilise des détecteurs de fonctionnalités cinq à cinq. 02:41.640 --> 02:48.270 Ils peuvent être différents, mais vous verrez généralement qu’ils sont trois par trois et que vous savez pourquoi les faire trois 02:48.270 --> 02:52.110 par trois, nous allons donc rester fidèles à la méthode conventionnelle. 02:52.170 --> 02:57.510 Avec un détecteur de fonctions trois-en-trois, ces détecteurs sont également des termes importants car vous 02:57.510 --> 02:58.710 pourriez les rencontrer. 02:58.710 --> 03:04.080 Il existe de nombreux termes différents pour le détecteur de fonctionnalités, mais les plus 03:04.110 --> 03:09.540 courants sont ceux de détecteur de fonctionnalités. Eik pourrait l’entendre appeler le noyau ou le filtre. 03:09.540 --> 03:14.760 Ainsi, dans ce cours, nous utiliserons indifféremment un filtre ou un détecteur de 03:14.760 --> 03:23.670 caractéristiques, mais gardons simplement à l’esprit qu’il porte ces noms et que l’opération de coalition est indiquée par un X dans un cercle. 03:23.670 --> 03:31.230 Comme vous l'avez vu dans les formules précédentes et ici, ce qui se passe est intuitif ou imaginez simplement ce qui se 03:31.230 --> 03:34.980 passe réellement à l'arrière-plan plutôt que sur le plan mathématique. 03:35.010 --> 03:40.740 Eh bien, vous prenez ce détecteur de fonctionnalité ou ce filtre et vous le mettez sur votre image comme vous le voyez à gauche. 03:40.740 --> 03:48.120 Donc, vous couvrez par exemple dans le cas en haut à gauche les neuf pixels dans 03:48.450 --> 03:58.760 le coin en haut à gauche et vous multipliez chacun par une valeur de valeur. en position d'un 1 par position environ 03:58.780 --> 04:04.980 1 1 numéro de position ou 0 1 0 1 0 2 par 04:05.090 --> 04:08.670 0 2 et ainsi de suite. 04:08.670 --> 04:13.410 Il s’agit donc d’une multiplication par élément sur ces matrices. 04:13.410 --> 04:14.460 Et puis vous additionnez le résultat. 04:14.460 --> 04:20.010 Donc, dans ce cas, rien ne correspond, c'est donc toujours 0 par 0 0 ou par 1. 04:20.010 --> 04:21.280 Donc, le résultat est zéro. 04:21.530 --> 04:26.610 Et ici, vous pouvez voir que l’un d’eux correspondait à la gauche. 04:26.610 --> 04:28.120 Et donc nous avons un 1 ici. 04:28.120 --> 04:30.820 Rien ne correspondait rien ne correspondait rien ne correspondait pas. 04:30.890 --> 04:38.100 Ensuite, nous passons au lancer suivant de manière à ce que l’étape à laquelle nous nous déplaçons appelle tout ce 04:38.100 --> 04:38.610 filtre. 04:38.610 --> 04:40.570 Nous avons donc ici une foulée d’un pixel. 04:40.680 --> 04:45.820 Ici, vous pouvez voir à nouveau quelque chose qui correspond au coin inférieur droit de la foulée, 04:46.110 --> 04:50.850 mais un autre situé au bas, au centre, correspond à la mesure du rien. 04:50.970 --> 04:52.040 La foulée est un. 04:52.170 --> 04:53.930 Vous pouvez changer la foulée. 04:54.330 --> 04:56.260 Vous pouvez en faire un deux. 04:56.340 --> 04:58.580 Vous allez en avoir trois comme vous voudrez. 04:58.830 --> 05:02.770 Le cas échéant, celui qui fonctionne bien est généralement ou deux. 05:02.800 --> 05:04.280 Donc, c'est ce que les gens s'en tiennent. 05:04.600 --> 05:09.480 Et nous parlerons de la progression vers la fin de ce tutoriel. 05:09.520 --> 05:14.170 Donc, ici nous avons donc nous correspondons absolument quand j'entends dire que vous pouvez voir que nous en avons deux 05:14.170 --> 05:17.270 parce que deux d'entre eux ont été appariés et ainsi de suite. 05:17.290 --> 05:24.830 Donc là-bas, nous en avons un autre qui correspond et nous avons terminé. 05:24.830 --> 05:27.770 Alors, qu'est-ce qu'on a créé? 05:27.800 --> 05:28.600 Droite. 05:28.820 --> 05:31.860 Quelques choses importantes ici. 05:31.970 --> 05:38.240 L'image de droite est appelée une carte de caractéristiques a aussi plusieurs termes, elle peut aussi être appelée parfois, 05:38.870 --> 05:40.530 il peut être une caractéristique. 05:41.000 --> 05:46.280 Donc, dans votre blog et votre opérateur d'opération de volution, quelque chose ne devient pas 05:46.280 --> 05:53.680 compliqué, il devient convolu et cela a parfois comme je me dis de me tromper, mais le terme correct est convolution, 05:53.700 --> 05:57.900 c'est une sorte de fonctionnalité ancienne être appelé la carte d'activation. 05:58.040 --> 06:02.510 Mais nous allons appeler cela une carte de fonctionnalités dans ce cours afin de pouvoir l'appeler 06:03.500 --> 06:06.300 à n'importe laquelle de ces choses et qu'avons-nous fait ici. 06:06.320 --> 06:09.910 Comme vous pouvez le constater, nous avons réduit la taille de l'image. 06:09.920 --> 06:15.500 C'est le numéro un et c'est la chose importante que je voulais mentionner à propos de votre image d'entrée, du texte de 06:15.500 --> 06:17.090 la fonction et de la foulée. 06:17.240 --> 06:21.690 Si vous en avez une, l'image est réduite un peu, mais si vous en avez le droit, 06:21.690 --> 06:25.410 l'image en produira davantage, de sorte que la fonctionnalité sera encore plus réduite. 06:25.610 --> 06:33.950 Et c’est une fonction très importante du détecteur de caractéristiques de cette étape de convolution: réduire 06:33.950 --> 06:42.100 la taille de l’image, car ce sera plus facile à traiter et plus rapide. 06:42.110 --> 06:51.830 Ce sera le cas et vous ne serez qu’une famille car imaginez, comme ici, une image sept sur sept, mais 06:51.860 --> 06:55.310 imaginez si vous avez une bonne photo. 06:55.700 --> 07:02.270 Ou si vous avez une image de 256 pixels sur 56 pixels, c’est un très grand nombre de pixels que j’ai choisi, que 07:02.900 --> 07:06.940 ce soit x carré ou comme si vous disposiez de 300 mais 300 pixels. 07:07.060 --> 07:13.400 Donc, nous ne sommes pas confus avec le R. G. La B 256 doit dire que nous avons une image 300 x 07:13.400 --> 07:14.720 300 en taille et en pixels. 07:14.780 --> 07:22.640 Ensuite, vous avez 300 nombres carrés de pixels, ce qui est un nombre énorme. Par conséquent, les détecteurs de fonctions réduiront la taille 07:23.360 --> 07:27.580 de l’image. Par conséquent, une foulée de deux est réellement bénéfique. 07:27.740 --> 07:29.970 Mais alors, la question est de savoir si nous perdons des informations. 07:29.990 --> 07:34.520 Perdons-nous des informations lorsque nous appliquons le détecteur de caractéristiques? 07:34.520 --> 07:40.580 Bien certaines informations que nous perdons bien sûr car nous avons moins de valeurs et de matrice résultante. 07:40.700 --> 07:45.950 Mais en même temps, l’objectif du détecteur de caractéristiques est de détecter certaines caractéristiques, certaines 07:45.950 --> 07:48.170 parties de l’image qui sont intégrales. 07:48.620 --> 07:53.150 Ainsi, par exemple, si vous réfléchissez de la sorte, le détecteur de fonctions comporte un 07:53.150 --> 07:54.080 certain motif. 07:54.080 --> 07:57.950 Le nombre le plus élevé sur votre carte de caractéristiques correspond au moment où ce modèle correspond. 07:57.950 --> 08:04.820 En fait, le nombre le plus élevé que vous pouvez obtenir est dans un exemple tout simplifié, c’est lorsque la fonctionnalité correspond exactement 08:04.820 --> 08:10.550 et que vous pouvez voir que le nombre quatre que nous avons dans notre carte des fonctionnalités est exactement. 08:10.550 --> 08:16.910 Donc, si vous le regardez ici, c'est exactement là que se trouve ce détecteur de fonctions, car il n'y en a 08:16.910 --> 08:21.460 que quatre et il correspondait parfaitement pour que vous puissiez voir cette partie ici. 08:21.470 --> 08:23.220 Donc, la fonctionnalité a été détectée ici. 08:23.450 --> 08:32.340 Et comme nous en avons discuté au tout début de cette section, il décrit comment nous voyons les choses et comment nous les 08:32.430 --> 08:33.080 reconnaissons. 08:33.090 --> 08:40.410 Nous ne regardons pas chaque pixel pour ainsi dire dans ce que nous voyons sur une image ou dans la vie réelle. 08:40.410 --> 08:46.440 Nous ne regardons pas chaque image, nous ne regardons pas les caractéristiques mais le nez, le 08:47.070 --> 08:55.110 chapeau, la plume, les yeux sous les petites marques noires sous les yeux du guépard pour distinguer le guépard du léopard 08:55.110 --> 08:57.470 et la forme du train. 08:57.480 --> 09:02.610 Nous ne faisons pas la distinction entre un train à grande vitesse et un train normal, etc., afin de ne 09:02.610 --> 09:08.110 pas examiner tout ce que nous examinons, ce que nous préservons et c'est ce que la carte des fonctionnalités nous aide à préserver. 09:08.110 --> 09:15.480 En fait, c’est ce que cela nous permet d’avancer et de nous débarrasser de toutes les choses inutiles qui, 09:15.570 --> 09:22.740 même en tant qu’êtres humains, ne traitent pas autant d’informations dans vos yeux qu’à un moment donné, comme des 09:22.740 --> 09:28.680 gigaoctets d’informations, si vous regardez chaque point. sinon des téraoctets d'informations vous parviennent par seconde 09:28.680 --> 09:35.640 et nous pouvons continuer car nous nous débarrassons de ce qui est inutile, nous nous concentrons uniquement sur 09:35.640 --> 09:41.510 les fonctionnalités importantes qui sont importantes pour nous et c'est exactement ce que fait la 09:41.640 --> 09:42.270 fonctionnalité. 09:42.270 --> 09:51.030 Nous passons maintenant à cette image. Nous créons une carte des fonctionnalités. Ainsi, la première de celles-ci est celle que nous venons de créer, mais 09:51.030 --> 09:54.300 comment se fait-il qu'il y en ait beaucoup. 09:54.300 --> 10:00.300 Mais nous créons plusieurs cartes de caractéristiques parce que nous utilisons des filtres différents. 10:00.300 --> 10:00.590 Droite. 10:00.630 --> 10:05.430 Et c’est une autre façon de conserver une grande quantité d’informations afin de ne 10:05.880 --> 10:12.600 pas nous limiter à une seule carte de caractéristiques, mais aussi ou plutôt, le réseau décide en fonction de sa formation 10:12.600 --> 10:18.030 et nous en discuterons à la fin de la section. Au cours de sa formation, il décide 10:18.120 --> 10:23.670 quelles fonctionnalités sont importantes pour certains types ou certaines catégories. Il les recherche et dispose donc de filtres 10:23.670 --> 10:26.070 différents. Nous en parlerons tout à l'heure. 10:26.160 --> 10:32.280 Mais fondamentalement, je vais appliquer ces filtres, donc pour obtenir cette carte de fonctionnalités, un filtre similaire à celui que nous avons vu a été 10:32.280 --> 10:36.270 appliqué, mais pour obtenir cette fonctionnalité, Mabbett a appliqué un filtre différent pour que cette fonctionnalité 10:36.270 --> 10:38.080 soit opérationnelle, ainsi que d'autres filtres. 10:38.370 --> 10:43.430 Et donc, fondamentalement, il crée simplement ces cartes de caractéristiques. 10:43.650 --> 10:49.700 Et en fait, c’est pourquoi, personnellement, je pense que le terme détecteur de caractéristiques est meilleur que les filtres. 10:49.710 --> 10:56.040 Rappelez-vous que nous avons ici ce filtre que nous pouvons également appeler un détecteur de fonctions. En 10:56.040 --> 10:59.440 fait, le mot détecteur de fonctions est mieux adapté. 10:59.490 --> 11:03.390 Et la raison en est que c'est ce que le but est juste. 11:03.390 --> 11:06.510 Nous ne voulons pas simplement nous ne voulons pas simplement filtrer notre image. 11:06.510 --> 11:10.220 Mais même si c'est un tout, c'est la même chose, juste une question de terminologie. 11:10.230 --> 11:11.990 Mais fondamentalement, nous voulons détecter les fonctionnalités. 11:12.000 --> 11:12.270 D'accord. 11:12.270 --> 11:19.680 Dans cet emplacement, nous allons à notre propre carte de fonctionnalités que nous avons détectée où certaines fonctionnalités sont dans l'image et cette 11:19.800 --> 11:24.240 carte de fonctionnalités que nous avons détectée où d'autres fonctionnalités sont où une 11:24.240 --> 11:30.350 certaine fonctionnalité spécifique est située et cette carte de fonctionnalités sera détecté où une certaine autre caractéristique est 11:30.350 --> 11:31.420 située sur l'image. 11:31.440 --> 11:33.420 C'est donc ce que nous faisons. 11:33.420 --> 11:40.470 Et écoutez, nous avons quelques exemples. Nous utilisons ici ceci et cela vient de Gip dot org. 11:40.610 --> 11:48.690 Leur documentation est un outil gratuit, comme la peinture, que vous pouvez utiliser pour ajuster vos images ou travailler avec 11:48.690 --> 11:49.550 vos images. 11:49.560 --> 11:56.490 Mais fondamentalement, ils ont quelques exemples intéressants dans leur documentation et ici ils ont une image du Taj Mahal et 11:56.490 --> 11:59.790 vous pouvez choisir le filtre que vous souhaitez appliquer. 11:59.880 --> 12:06.150 Donc, si vous téléchargez ce programme et que vous téléchargez une photo dessus, vous pouvez alors démarrer une matrice 12:06.150 --> 12:12.600 de conversion et appliquer des filtres. Vous verrez que ces éléments sont effectivement appliqués par ces matrices anglaises dans le 12:12.600 --> 12:15.240 traitement et la conception des images, etc. 12:15.240 --> 12:17.150 Voyons donc ce que nous obtenons de ce que nous obtenons. 12:17.240 --> 12:21.520 Donc, si nous appliquons ce filtre cinq au milieu moins un on est un on est un moins un. 12:21.690 --> 12:23.780 Vous pouvez voir que cela accentue l'image. 12:23.890 --> 12:29.010 Et c'est donc très intuitif si vous y réfléchissez. 12:29.010 --> 12:36.300 Donc 5 est le pixel du pixel principal comme au milieu du filtre ou du détecteur de caractéristiques, 12:36.600 --> 12:43.410 puis moins un moins un un, un type réduit les pixels situés autour du un de manière 12:44.430 --> 12:45.000 intuitive. 12:46.170 --> 12:47.020 Puis flou. 12:47.040 --> 12:54.150 Donc, fondamentalement, prend une importance égale donne une signification égale à tous les pixels qui sont tous au centre et, 12:54.150 --> 12:59.070 par conséquent, il les combine ensemble et vous obtenez une amélioration du flou. 12:59.070 --> 13:03.860 Donc ici vous pouvez voir que cela fait moins un et un et ensuite vous obtenez des zéros exacts. 13:03.870 --> 13:11.100 Donc, vous avez supprimé pour supprimer les pixels autour du principal au centre et vous ne gardez que celui-ci à un moins, ce qui vous 13:11.100 --> 13:15.610 donne un avantage et cela était un peu plus difficile à comprendre comment cela fonctionne. 13:16.290 --> 13:20.700 Comme probablement plus difficile simplement de penser intuitivement à la détection de bord. 13:20.700 --> 13:23.340 Bon alors celui-ci a probablement plus de sens. 13:23.340 --> 13:25.860 Bon vous leur prenez un moyen. 13:25.850 --> 13:28.880 Vous réduisez le milieu. 13:29.050 --> 13:36.180 Vous aimez probablement la force du pixel du milieu, puis vous recherchez ceux que vous recherchez. 13:36.420 --> 13:41.980 Ceux que vous voyez augmenter la force de ceux qui les entourent. 13:42.090 --> 13:43.910 Donc, vous avez ceux là. 13:44.720 --> 13:45.610 Oui cela est. 13:45.690 --> 13:50.700 Cela vous donne l’impression que l’on prend et vous pouvez voir lequel vous allez y arriver et en diriger un autre. 13:50.700 --> 13:58.130 Donc la clé ici est que c'est symétrique et que vous pouvez voir que l'image devient asymétrique 13:58.140 --> 14:03.580 aussi, alors vous avez comme ce genre de sentiment de se distinguer. 14:03.840 --> 14:08.910 Et c’est ce que vous obtenez lorsque vous avez des inconvénients ici et qu’ici encore, c’est très, cela devient 14:08.970 --> 14:13.860 un peu technique maintenant mais au moins, nous pouvons obtenir une sorte d’intuitive et Lissa les examinera 14:13.860 --> 14:14.160 rapidement. 14:14.160 --> 14:21.480 Donc, il y a plus de netteté, il y a du flou, il y a un bord détecté et un boss, comme vous 14:21.480 --> 14:27.350 pouvez le voir, ce sont d'excellents exemples de la même image, mais nous obtenons des cartes détaillées. 14:27.360 --> 14:32.430 Nous utilisons donc différents détecteurs de caractéristiques pour obtenir différentes cartes de caractéristiques de la 14:32.430 --> 14:40.380 même image. Nous avons donc maintenant beaucoup des dernières versions de cette image où, dans chacune d'entre elles, nous avons essayé de détecter 14:40.440 --> 14:44.920 certaines choses en ces termes, elles ne sont pas applicables. à nous. 14:44.940 --> 14:50.460 Leur second patron ne nous est probablement pas applicable en termes de réseaux de neurones convolutionnels, mais la détection de 14:50.550 --> 14:51.630 l’âge est importante. 14:51.630 --> 14:58.590 Nous voulons détecter les bords améliorer les bords probablement pas flou accentuer ainsi certaines choses comme texte énervé. 14:58.580 --> 15:02.450 Probablement le plus important pour notre type de travail. 15:02.460 --> 15:07.560 Et en termes de compréhension des ordinateurs, ils décideront eux-mêmes, ou les réseaux de neurones décideront eux-mêmes de ce 15:07.560 --> 15:12.900 qui est important, de ce qui ne l'est pas et ce ne sera probablement même pas reconnaissable à l'œil humain. 15:12.900 --> 15:14.910 Vous ne pourrez pas comprendre ce que signifient ces fonctionnalités. 15:14.910 --> 15:22.530 Mais l’ordinateur décidera et c’est la beauté des réseaux de neurones qu’ils peuvent traiter autant de choses différentes et comprendre 15:22.530 --> 15:28.950 sans même avoir cette intuition ou sans avoir cette explication, pourquoi ils comprendront quelles caractéristiques sont 15:28.950 --> 15:34.380 importantes pour eux, que nous ayons un nom pas que ce soit un tout 15:34.810 --> 15:39.830 qui est une question non pertinente pour le réseau de neurones artificiels. 15:39.990 --> 15:41.260 Et mon préféré. 15:41.280 --> 15:50.940 Voici une image de Geoffrey Hinton de Geoffrey Hinton passée à travers l'un de ces filtres. 15:50.940 --> 15:53.070 Très bien, cela nous amène à la fin de Teresa Tauriel. 15:53.070 --> 15:55.460 J'espère que vous avez apprécié l'apprentissage de la convolution. 15:55.470 --> 16:02.490 La conclusion à retenir est que la convolution est le principal objectif de notre évolution. Elle 16:02.490 --> 16:08.280 consiste à rechercher les caractéristiques de votre image à l’aide du détecteur de caractéristiques, 16:08.340 --> 16:15.710 de les placer dans une carte des caractéristiques. pour nous à vous le savez, car s’ils sont 16:15.720 --> 16:19.280 complètement mélangés, nous avons perdu le modèle. 16:19.350 --> 16:25.110 Et en même temps, il est important de comprendre que la plupart du temps, les fonctionnalités qu'un 16:25.110 --> 16:32.430 réseau de neurones détectera et utiliseront pour reconnaître certaines images et que Klaas ne signifiera rien pour les humains, mais néanmoins, elles 16:32.460 --> 16:33.120 fonctionnent. 16:33.120 --> 16:34.420 Et c'est ce que la convolution est. 16:34.440 --> 16:36.280 Et j'ai hâte de vous voir prochainement Tauriel. 16:36.300 --> 16:37.980 Jusque-là profiter de l'apprentissage.