Apprentissage par la machine

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

L5 Gradient Vector Cost Functions MSE MAE LR Effect SGD Minibatch

L5 Fonctions de coût du vecteur de gradient MSE MAE Effet de LR SGD Minibatch

L4 Gradient Descent GD Part 1

L4 Gradient Descent GD Partie 1

L3 Normal Equation RSS RSE R2

Équation normale L3 RSS RSE R2

L2 Introduction to ML (continued), Simple & Multiple Linear Regression

L2 Introduction à ML (suite), Régression Linéaire Simple et Multiple

Episode 9 - Inverse Reinforcement Learning

[ИАД, осень 2025] Байесовский выбор моделей. Лекция 6: Байесовская логистическая регрессия

[ИАД, automne 2025] Sélection bayésienne de modèles. Leçon 6 : Régression logistique bayésienne

Week 4 Solve with us

Semaine 4 Résolvez avec nous

ML Lagos Study Group Onboarding October Cohort

ML Lagos Study Group Intégration Cohorte d'Octobre

AI training data will never be fully synthetic [SPONSORED]

Les données d'entraînement de l'IA ne seront jamais entièrement synthétiques [SPONSORISÉ]

T3 Kaggle Assignment Introduction

Introduction aux 3 devoirs Kaggle

[ИАД, осень 2025] Вероятностные тематические модели. Лекция 5

[ИАД, automne 2025] Modèles thématiques probabilistes. Cours 5

[ИАД, осень 2025] Foundation models for spatial-time series. Занятие 4

[ИАД, осень 2025] Foundation models pour séries spatio-temporelles. Leçon 4

Using AI/ML To Find And Correlate IC Test Data

Utilisation de l'IA/ML pour trouver et corréler les données de test IC

Stanford CS230 | Autumn 2025 | Lecture 3: Full Cycle of a DL project

Stanford CS230 | Automne 2025 | Cours 3 : Cycle complet d'un projet de DL

Week 4

Semaine 4

Tiny Recursive Model, Reducir memoria con AHN y estados de Markov, ICL en series temporales

Tiny Recursive Model, Réduire la mémoire avec AHN et les états de Markov, ICL dans les séries temporelles

MLPT325 W4L1

Harnessing the Universal Geometry of Embeddings - Part1

Exploiter la géométrie universelle des embeddings - Partie 1

Quantum Machine Learning Workshop - Day 1 (11.10.2025)

Atelier d'apprentissage automatique quantique - Jour 1 (11.10.2025)

30 mathématiciens tentent de piéger l'IA : ils se font HUMILIER

Week 3 - Solve with us

Semaine 3 - Résolvez avec nous

[Paper Analysis] On the Theoretical Limitations of Embedding-Based Retrieval (Warning: Rant)

[Analyse d'article] Limites théoriques de la recherche par intégration (Attention : coup de gueule)

Kernelization of Natural Gradient Methods for PIML || Oct 10, 2025

Noyautage des méthodes de gradient naturel pour PIML || 10 octobre 2025

Building An Automated Viral TikTok Account With AI

Créer un compte TikTok viral automatisé grâce à l'IA

Unsupervised anomaly detection in multivariate time series - Laura BOGGIA

Détection d'anomalies non supervisée dans les séries temporelles multivariées - Laura BOGGIA

Uncertainty in AI driven physical simulation - Dimitrios TZIVRALIS - CEA LPTMS

Incertitude dans la simulation physique pilotée par l'IA - Dimitrios TZIVRALIS - CEA LPTMS

Transformez votre chatbot en agent intelligent : découvrez OpenAI Agent Builder en action !

Machine learning of biological sequences - Jorge FERNANDEZ DE COSSIO DIAZ

Machine learning of biological sequences - Jorge FERNANDEZ DE COSSIO DIAZ

Fair universe HiggsML Uncertainty challenge - Ragansu CHAKKAPPAI

Défi d'incertitude HiggsML de l'univers équitable - Ragansu CHAKKAPPAI

Bayesian continual learning and forgetting in neural networks - Kellian COTTART

Apprentissage continu bayésien et oubli dans les réseaux de neurones - Kellian COTTART

Week 3 - Summary session

Week 3 - Session de résumé

Stanford CS230 | Autumn 2025 | Lecture 2: Supervised, Self-Supervised, & Weakly Supervised Learning

Stanford CS230 | Automne 2025 | Leçon 2 : Apprentissage supervisé, auto-supervisé et faiblement supervisé

Week 2- solve with us

Semaine 2- résolvez avec nous

Machine Learning 3 [Odd Semester 2025/2026 Telyu] - Decision Tree & KNN

Machine Learning 3 [Odd Semester 2025/2026 Telyu] - Arbre de décision et KNN

Sensitivity of ITS Learning Models with Mobility Data

Sensibilité des modèles d'apprentissage ITS aux données de mobilité

MLP 25T3 W2L2

MLP 25T3 S2C2

Eshaan Nichani: Learning Compositional Functions with Transformers from Easy-to-Hard Data

Eshaan Nichani: Apprendre les fonctions compositionnelles avec les Transformers à partir de données faciles à difficiles