Apprentissage par la machine

MLT - Week 5 + 6

MLT - Semaine 5 + 6

MENSONGE AVÉRÉ : J'ai utilisé l'IA pour vérifier QUI dit la vérité

Stanford CS230 | Autumn 2025 | Lecture 5: Deep Reinforcement Learning

Stanford CS230 | Automne 2025 | Cours 5 : Apprentissage par renforcement profond

Week 5_session 2

Semaine 5_session 2

Ton nouvel outil pour créer des Agents IA (Claude + MCP)

BioML Seminar 3.2 - Sarah Gurev on Benchmarking Model Performance on Pandemic-Threat Viruses

BioML Seminar 3.2 - Sarah Gurev sur l'évaluation comparative des performances des modèles sur les virus à menace pandémique

[ИАД, осень 2025] Foundation models for spatial-time series. Занятие 6

[ИАД, automne 2025] Foundation models for spatial-time series. Занятие 6

Use N8N To Build A Custom AI-Powered Newsletter

Utilisez N8N pour créer une newsletter personnalisée alimentée par l'IA

ICL Ciphers: Quantifying "Learning’’ in In-Context Learning via Substitution Ciphers-EMNLP 2025 main

ICL Ciphers : Quantifier « l'apprentissage » dans l'apprentissage en contexte via des chiffrements de substitution-EMNLP 2025 main

Week 5 session

Semaine 5

[ИАД, осень 2025] Методы глубокого обучения. Занятие 8: Multi-armed Bandits, Monte Carlo Methods

[IAD, automne 2025] Méthodes d'apprentissage profond. Cours 8 : Multi-armed Bandits, méthodes de Monte Carlo

Recurrence-Complete Frame-Based Action Models.

Modèles d'action basés sur des cadres complets par récurrence

Machine learning enabled manoeuvre detection from synthetic observations | František Dráček

Détection de manœuvre par apprentissage automatique à partir d'observations synthétiques | František Dráček

Aditya Varre: Learning In-context n-grams with Transformers: Sub-n-grams Are Near-stationary Points

Aditya Varre: Apprendre les n-grammes en contexte avec les Transformers : Les sous-n-grammes sont des points quasi stationnaires

Revision session_Week 3, 4

Français : Session de révision_Semaine 3, 4

Pruning decision trees

Élagage d'arbres de décision

Impurity measures for decision trees classifiers

Mesures d'impureté pour les classificateurs d'arbres de décision

Ensemble models with decision trees: bagging, random forests, extra trees, boosted trees

Modèles d'ensemble avec arbres de décision : bagging, forêts aléatoires, arbres supplémentaires, arbres boostés

Victor Manuel Vargas: “Reducir errores de la IA en diagnóstico por imagen”

Victor Manuel Vargas : « Réduire les erreurs de l'IA dans le diagnostic par imagerie »

Formalisation mathématique et apprentissage machine dans la création musicale - C.-E. Cella

Deploying Continental R&D’s First Predictive ML Model | Claudia Peñaloza, Continental Tires

Déploiement du premier modèle de ML prédictif de Continental R&D | Claudia Peñaloza, Continental Tires

Causality-Based Learning || Extreme Event Aware (η-) Learning || Oct 24, 2025

Apprentissage basé sur la causalité || Apprentissage (η-) conscient des événements extrêmes || 24 octobre 2025

Algoritmos de estimación de distribuciones en estadística y aprendizaje automático

Algorithmes d'estimation de distributions en statistique et apprentissage automatique

[ИАД, осень 2025] Вероятностные тематические модели. Лекция 7

[ИАД, automne 2025] Modèles thématiques probabilistes. Conférence 7

Observability Panel | Galileo, DraftKings, Target Corporation, PIMCO | MLOps World 2025

Panel d'observabilité | Galileo, DraftKings, Target Corporation, PIMCO | MLOps World 2025

Michelangelo (Uber’s ML Platform): Going Open Source | Sally Lee & Eric Wang, Uber

Michelangelo (plateforme ML d’Uber) : passage à l’open source | Sally Lee & Eric Wang, Uber

Idan Mehalel - A Tight Lower Bound for Non-stochatic Multi-armed Bandits with Expert Advice (Heb)

Idan Mehalel - Une borne inférieure serrée pour les bandits multi-bras non stochastiques avec conseil d'expert (Heb)

How to Train Your Agent: Building Reliable Agents with RL | Kyle Corbitt, OpenPipe

Comment entraîner votre agent : construire des agents fiables avec RL | Kyle Corbitt, OpenPipe

Algoritmos de estimación de distribuciones en estadística y aprendizaje automático

Algorithmes d'estimation de distributions en statistique et apprentissage automatique

Soledad Villar — Algebraic techniques for machine learning (Sept. 26, 2025)

Soledad Villar — Techniques algébriques pour l'apprentissage automatique (26 septembre 2025)

Keynote: Machines, Learning, and Machine Learning - Dylan Beattie - NDC Porto 2025

Keynote: Machines, Apprentissage et Apprentissage automatique - Dylan Beattie - NDC Porto 2025

Guide complet n8n et Claude : Créer tes AGENTS IA en 1 clic

[ИАД, осень 2025] Математические методы прогнозирования. Лекция 5

[ИАД, осень 2025] Méthodes mathématiques de prévision. Conférence 5

Stanford CME295 Transformers & LLMs | Autumn 2025 | Lecture 4 - LLM Training

Stanford CME295 Transformers & LLMs | Automne 2025 | Cours 4 - Entraînement des LLM

Investigación con consumidores sintéticos, RLMs, StreamingVLM

Recherche avec des consommateurs synthétiques, RLMs, StreamingVLM

The Efficiency Equation: Leveraging AI Agents to Augment Human Labelers | Madhu Ramanathan, Meta

L'équation de l'efficacité : tirer parti des agents d'IA pour augmenter les annotateurs humains | Madhu Ramanathan, Meta

Machine Learning Explained: A Guide to ML, AI, & Deep Learning

Machine Learning Expliqué : Un Guide pour le ML, l'IA et le Deep Learning

From Benchmarks to Reality: Embedding HITL in Your MLOps Stack | Micaela Kaplan, HumanSignal

Des benchmarks à la réalité : intégrer HITL dans votre stack MLOps | Micaela Kaplan, HumanSignal

Autonomous MLOps Pipelines:Architecting Self-Healing, Drift Resistant Models | Kamal Bisht, Discover

Pipelines MLOps autonomes : architecture de modèles auto-réparateurs et résistants à la dérive | Kamal Bisht, Discover

Adversarial Threats Across the ML Lifecycle: A Red Team Perspective | Sanket Badhe, TikTok

Menaces Adverses Tout au Long du Cycle de Vie du ML : Une Perspective Red Team | Sanket Badhe, TikTok