YouTube et vulgarisation scientifique.
Reverse Engineering : The YouTube Algorithm (Part. 1) [Editor’s Note: You can read Reverse Engineering the YouTube Algorithm: Part II right here. You don’t need to read it after reading Part I, but you should check it out at some point. It’s excellent.] If you’re a creator who makes content for any kind of distribution (whether it be a feature film, a theatrical play, a TV program, or some kind of online video) the success or failure of that content can be dependent upon the mechanics of the distribution mechanism.
For example, if you’re making a TV show and you want that show to be successful, you ideally want to know when to put in ad breaks, how to promote the program, which channel your show will appear on, how many homes the channel reaches, and so on, and so forth. If you’re distributing videos onto YouTube, however, the most valuable knowledge you can have about that distribution point is how the YouTube algorithm works. But, like everything algorithm-related, that’s hard to do. One quick note before we get started. Watch Time. Reverse Engineering : The YouTube Algorithm (Part.2) [Editor’s Note: You can read Reverse Engineering the YouTube Algorithm: Part I right here.
You don’t need to read it before reading Part II, but you should check it out at some point. It’s excellent.] A team of Google researchers presented a paper in Boston, Massachusetts on September 18, 2016 titled Deep Neural Networks for YouTube Recommendations at the 10th annual Association for Computing Machinery conference on Recommender Systems (or, as the cool kids would call it, the ACM’s RecSys ‘16). This paper was written by Paul Covington (currently a Senior Software Engineer at Google), Jay Adams (currently a Software Engineer at Google), and Embre Sargin (currently a Senior Software Engineer at Google) to show other engineers how YouTube uses Deep Neural Networks for Machine Learning.
It gets into some pretty technical, high-level stuff, but what this paper ultimately illustrates is how the entire YouTube recommendation algorithm works(!!!). Staring Into The Deep Learning Abyss To Recap. De quoi le succès d’une chaîne Youtube de vulgarisation dépend-il. Qu’est-ce qui fait le succès d’une chaîne de vulgarisation scientifique ? Par exemple le fait qu’elle aura, ou pas, beaucoup d’abonnés ?
Sa qualité, bien sûr, le talent de l’écriture et de la pédagogie, le sens de la mise en scène, l’humour… …en fait, non; pas tant que ça. Il n’aura échappé à personne que les plus grosses chaînes sont presque toutes des chaînes créées il y a assez longtemps, et ayant accumulé pas mal de vidéos. D’une part ces chaînes ont eu le temps de croître, d’autre part elles ont pu émerger à une époque où la concurrence était moins rude.
Du coup pour les nouveaux et nouvelles qui se lancent, la tâche peut paraître difficile. Tout cela est évident, mais récemment je me suis demandé : Peut-on quantifier cet effet ? Collecte des données Pour cela j’ai travaillé avec une liste 115 chaînes de vulgarisation scientifique francophones. Petite précision, pour calculer l’âge de la chaîne, je me suis basé en général sur la date de création. Distribution de la taille des chaînes.