Réseaux neuronaux et systèmes flous

Lec 14: Convolutional Neural Network - I

Lec 14: Réseau de neurones convolutif - I

[Generative AI in Urdu/Hindi] Lecture 9: Developing a complete feed-forward neural network

[IA générative en ourdou/hindi] Leçon 9 : Développer un réseau neuronal feed-forward complet

Le robot Figure AI choque le monde ! Les robots progressent plus vite que prévu ! Helix02

Genie 3, l'IA devient vraiment intelligente en jouant ! Une leçon !

PAINT: Parallel-in-time Neural Twins || Jan 30, 2026

PAINT: Parallel-in-time Neural Twins || 30 janvier 2026

Lec 9: Introduction to Deep Learning - I

Lec 9 : Introduction à l'apprentissage profond - I

AlphaGenome author roundtable

Table ronde des auteurs d'AlphaGenome

Lec 8: Neural Network – III(Training of the Multi Layer Perceptron)

Lec 8: Neural Network – III (Entraînement du Perceptron multicouche)

Lec 7: Neural Network - II (Multi Layer Perceptron)

Lec 7 : Réseau de neurones - II (Perceptron multicouche)

Lec 6: Neural Network - I (Single Layer Perceptron)

Lec 6: Réseau de neurones - I (Perceptron monocouche)

Jürgen Schmidhuber on Robotics, World Models, and NNAISENSE (Oral History Pt. 2)

Jürgen Schmidhuber sur la robotique, les modèles du monde et NNAISENSE (Histoire orale, 2e partie)

DeepSeekV4 - Manifold Constrained Hyper Connections (mHC) and the evolution of ResNets

DeepSeekV4 - Hyperconnexions à contrainte de variété (mHC) et évolution des ResNets

Conditional Gaussian Koopman Network || PINNs with Fourier-enhanced Features || Jan 9, 2026

Réseau gaussien conditionnel de Koopman || PINNs avec caractéristiques enrichies par Fourier || 9 janvier 2026

7: Deep Learning for Natural Language – Transformers

7 : Apprentissage profond pour le traitement automatique du langage naturel – Transformers

4: Deep Learning for Computer Vision – Transfer Learning and Fine-Tuning; Intro to HuggingFace

4: Deep Learning pour la Vision par Ordinateur – Apprentissage par Transfert et Ajustement Fin; Introduction à HuggingFace

3: Deep Learning for Computer Vision – Building Convolutional Neural Networks from Scratch

3: Deep Learning for Computer Vision – Construire des réseaux de neurones convolutifs à partir de zéro

2: Training Deep NNs (cont.); Introduction to Keras/Tensorflow; Application to Tabular Data

2: Entraînement des NN profonds (suite) ; Introduction à Keras/Tensorflow ; Application aux données tabulaires

1: Introduction to Neural Networks and Deep Learning; Training Deep NNs

1: Introduction aux réseaux de neurones et à l'apprentissage profond; Entraînement des réseaux de neurones profonds

On s’est trompés sur les RÉSEAUX de NEURONES (voilà pourquoi)

CNN Explained Visually: Padding, Stride, Pooling, Receptive Fields, Dilation & Layer Architecture

CNN Expliqué Visuellement: Padding, Stride, Pooling, Champs Réceptifs, Dilatation et Architecture de Couches

Transformer-Inspired Physics-Informed DeepONet|| From RoPINN to ProPINN ||Dec 19, 2025

DeepONet inspiré des Transformers et informé par la physique || De RoPINN à ProPINN || 19 décembre 2025

PhD Thesis Defense - Jonathan Courtois – Université Côte d’Azur · CNRS · LEAT : Sparsity in SNNs

MLP Live session

Session en direct MLP

Hands-on Machine Learning -- Training Deep Neural Networks

Hands-on Machine Learning -- Entraînement des réseaux de neurones profonds

[ИАД, осень 2025] Методы глубокого обучения. Занятие 13: Acceleration, KV-Cache, Flash Attention

[IAD, automne 2025] Méthodes d'apprentissage profond. Cours 13 : Acceleration, KV-Cache, Flash Attention

Stanford CS230 | Autumn 2025 | Lecture 10: What’s Going On Inside My Model?

Stanford CS230 | Automne 2025 | Cours 10 : Que se passe-t-il à l'intérieur de mon modèle ?

Titans: Learning to Memorize at Test Time (Paper Analysis)

Titans : Apprendre à mémoriser pendant les examens (Analyse de sujets)

Geoffrey E. Hinton: Deep learning with multiplicative interactions

Geoffrey E. Hinton : Apprentissage profond avec interactions multiplicatives

Yann LeCun: Learning Hierarchies of Features

Yann LeCun: Apprendre des hiérarchies de caractéristiques

Tara Sainath: The Latest in DNN Research at IBM: DNN-based features, Low-Rank Matrices for Hybrid...

Tara Sainath: Le plus récent en recherche DNN chez IBM : caractéristiques basées sur DNN, matrices de faible rang pour hybrides...

Francesco Martinuzzi: Learning Single and Multiple Chaotic Systems with Minimal Reservoir Computing

Francesco Martinuzzi: Apprentissage de systèmes chaotiques simples et multiples avec un calcul par réservoir minimal

[ИАД, осень 2025] Методы глубокого обучения. Лекция 12: Multimodality, CLIP, BLIP, LLaVA

[IAD, automne 2025] Méthodes d'apprentissage profond. Leçon 12 : Multimodality, CLIP, BLIP, LLaVA

Live from NeurIPS: Meet the Researchers | Nemotron Labs

En direct de NeurIPS : Rencontrez les chercheurs | Nemotron Labs

Become an AI Researcher Course – LLM, Math, PyTorch, Neural Networks, Transformers

Devenez chercheur en IA Cours – LLM, Mathématiques, PyTorch, Réseaux de neurones, Transformers

Google quiere cambiar la IA para siempre (Nested Learning)

Google veut changer l'IA pour toujours (Nested Learning)

Mohammad Tabish: Data-driven operator learning: Dictionary optimization and randomized neural nets

Mohammad Tabish: Apprentissage d'opérateurs basé sur les données : Optimisation de dictionnaires et réseaux neuronaux aléatoires

Deep Learning for intrusion detection in emerging technologies with Dr. Euclides Neto

Deep Learning pour la détection d'intrusions dans les technologies émergentes avec Dr. Euclides Neto

He Co-Invented the Transformer. Now: Continuous Thought Machines [Llion Jones / Luke Darlow]

Il a co-inventé le Transformer. Maintenant : Machines à Pensée Continue [Llion Jones / Luke Darlow]

Why you should see the world like a large language model | Dan Shipper: Full Interview

Pourquoi il faut voir le monde comme un vaste modèle de langage | Interview complète de Dan Shipper

Recursive Reasoning with Tiny Networks

Raisonnement récursif avec de minuscules réseaux