IA — Modèles & Recherche

QSI Seminar: Asst Prof Nathan Wiebe, PNNL, Training Fully Quantum Boltzmann Machines, 29/05/2020

Séminaire QSI : Professeur adjoint Nathan Wiebe, PNNL, Entraînement de machines de Boltzmann entièrement quantiques, 29/05/2020

MODÈLE DE MACHINE LEARNING - Covid19 (29/30)

QSI Seminar: Asst. Prof. Nana Liu, SJTU, Introducing Adversarial Quantum Learning, 22/05/2020

Séminaire QSI : Prof. adj. Nana Liu, SJTU, Introduction à l'apprentissage quantique contradictoire, 22/05/2020

ENSEMBLE LEARNING : BAGGING, BOOSTING et STACKING (25/30)

APPRENTISSAGE NON-SUPERVISÉ avec Python (24/30)

FEATURE SELECTION avec SKLEARN (23/30)

SKLEARN IMPUTER : NETTOYAGE DE DONNÉES

SKLEARN PIPELINE AVANCÉE

PYTHON SKLEARN PRE-PROCESSING + PIPELINE (22/30)

Sklearn make_scorer tutoriel : Créer vos propres métriques.

MÉTRIQUES de RÉGRESSIONS en DATA SCIENCE (Coefficient de Détermination, Erreur Quadratique, etc... )

CROSS-VALIDATION SKLEARN PYTHON (Techniques expliquées en Français)

[CESERH] CI La généalogie des formes dans la perspective du Deep Learning 8/11/2019 [2/9]

[CESERH] CI La généalogie des formes dans la perspective du Deep Learning 7/11/2019 [7/11]

PYTHON SKLEARN - MODEL SELECTION : Train_test_split, Cross Validation, GridSearchCV (21/30)

PYTHON SKLEARN: KNN, LinearRegression et SUPERVISED LEARNING (20/30)

Mind-Machine Interfaces

Interfaces esprit-machine

RÉGRESSION LINÉAIRE MULTIPLE AVEC NUMPY - ML#9

RÉGRESSION LINÉAIRE NUMPY - ML#8

PYTHON : L'ESSENTIEL POUR MACHINE LEARNING - ML#7

RÉGRESSION LINÉAIRE (partie 2/2) - ML#6

MATRICES ET NUMPY - ML#5

DESCENTE DE GRADIENT (GRADIENT DESCENT) - ML#4

LA RÉGRESSION LINÉAIRE (partie 1/2) - ML#3

Mocap as a Service: Video Motion Capture Makes Human Motion Analysis for Everyone

Mocap en tant que service : la capture de mouvement vidéo rend l'analyse du mouvement humain accessible à tous

Lecture 23 | MIT 6.832 (Underactuated Robotics), Spring 2019

Conférence 23 | MIT 6.832 (Robotique sous-actionnée), Printemps 2019

Lecture 22 | MIT 6.832 (Underactuated Robotics), Spring 2019

Conférence 22 | MIT 6.832 (Robotique sous-actionnée), Printemps 2019

COMMENT FONCTIONNE LE MACHINE LEARNING ?

Fuzzy & Annotated Semantic Web Languages

Langages du Web sémantique flous et annotés

Uncertainty-aware Food Analysis by Deep Learning

Analyse alimentaire consciente de l'incertitude par Deep Learning

Neuromorphic computing with emerging memory devices

Calcul neuromorphique avec des dispositifs de mémoire émergents

Human Authentication Using Facial Cues

Authentification humaine à l'aide d'indices faciaux

From Research to Scalable AI Solutions, 2 examples: Trust & Fairness and CNN Automatic Generation

De la recherche aux solutions d'IA évolutives, 2 exemples : Confiance et équité et génération automatique de CNN

Deep Learning for SPECT, SPECT/CT and PET

Deep Learning pour SPECT, SPECT/CT et PET

Learning Embedding Space for Clustering From Deep Representations

Apprendre l'espace d'intégration pour le regroupement à partir de représentations profondes

A Survey of Attacks Against Twitter Spam Detectors in an Adversarial Environment

Une enquête sur les attaques contre les détecteurs de spam de Twitter dans un environnement adversarial

La théorie de l'apprentissage de Vapnik et les progrès récents de l'intelligence artificielle

Lecture 21 | MIT 6.832 (Underactuated Robotics), Spring 2018

Conférence 21 | MIT 6.832 (Underactuated Robotics), Spring 2018

Lecture 20 | MIT 6.832 (Underactuated Robotics), Spring 2018

Conférence 20 | MIT 6.832 (Underactuated Robotics), Spring 2018

Backpropagation, intuitively | Deep Learning Chapter 3

Que fait réellement la rétropropagation ? | Chapitre 3, Apprentissage profond