AI — Models & Research

Lec 17 Learning Language - 1

explaining PAC

#022 ML Татьяна Шаврина. Эволюция подходов к обработке естественного языка (NLP)

#022 ML Tatyana Shavrina. Evolution of approaches to natural language processing (NLP)

A simple example of PAC learning

#021 ML Алексей Нечаев. AlphaGo и философия игры Го

#021 ML Alexey Nechaev. AlphaGo and the philosophy of the game of Go

#019 ML Евгений Разинков. Дорожная карта погружения в машинное обучение ч.2

#019 ML Evgeny Razinkov. Roadmap for diving into machine learning pt.2

#018 ML Евгений Разинков. Дорожная карта погружения в машинное обучение ч.1

#018 ML Evgeny Razinkov. Roadmap for diving into machine learning part 1

#017 ML Виктория Земляк. Machine Learning в научных исследованиях

#017 ML Victoria Zemlyak. Machine Learning in Scientific Research

#016 ML Линейная регрессия

#016 ML Linear Regression

#015 ML Основы нейросетей ч.2 Градиентный спуск

#015 ML Basics of Neural Networks part 2 Gradient Descent

#013 ML Алексей Ярошенко. Из специалиста по рекламе в дата-сайентисты. Учеба в MADE

#013 ML Alexey Yaroshenko. From advertising specialist to data scientist. Studies at MADE

#012 ML Юрий Яровиков. Как окончить ШАД, руководить Школой глубокого обучения и остаться в России

#012 ML Yuri Yarovikov. How to graduate from SHAD, lead the School of Deep Learning and stay in Russia

#010 ML Андрей Клименко. Neural Shit: Незаконное увеличение животных, Ветхий Путин и Програверование

#010 ML Andrey Klimenko. Neural Shit: Illegal animal enlargement, Frail Putin and Progroverovanie

#009 ML Сергей Марков. Русская GPT-3 и роботы-коллекторы от Сбера

#009 ML Sergey Markov. Russian GPT-3 and robot debt collectors from Sber

#008 ML Григорий Сапунов. Перспективы появления Искусственного Интеллекта общего назначения

#008 ML Grigory Sapunov. Prospects for the emergence of General Purpose Artificial Intelligence

#006 ML Основы нейросетей ч.1

#006 ML Basics of Neural Networks pt.1

#005 ML Николай Иванов. NLP. GPT-3. Replika

#005 ML Nikolay Ivanov. NLP. GPT-3. Replika

Lecture 18 | MIT 6.881 (Robotic Manipulation), Fall 2020 | Reinforcement Learning (Part 2)

#004 ML Иван Ямщиков. Автоэнкодеры

#004 ML Ivan Yamshchikov. Autoencoders

Lecture 17 | MIT 6.881 (Robotic Manipulation), Fall 2020 | Reinforcement Learning (Part 1)

#003 ML Методы машинного обучения

#003 ML Methods of Machine Learning

Curse of dimensionality

Lecture 11 | MIT 6.881 (Robotic Manipulation), Fall 2020 | Deep Perception (part 1)

Comment CHOISIR LE BON MODÈLE de Machine Learning ?

How to CHOOSE THE RIGHT Machine Learning MODEL?

QSI Seminar: Dr Markus Heyl, Max Planck Inst., Reinforcement Learning for Digital Quantum Simulation

Learning Parity with Noise|| @ CMU || Lecture 26b of CS Theory Toolkit

Union bound and ML theory

QSI Seminar: Guillaume Verdon, X, Quantum-probabilistic Generative Models, 19/06/2020

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

MODÈLE DE MACHINE LEARNING - Covid19 (29/30)

MACHINE LEARNING MODEL - Covid19 (29/30)

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

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

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

APPRENTISSAGE NON-SUPERVISÉ avec Python (24/30)

UNSUPERVISED LEARNING with Python (24/30)

FEATURE SELECTION avec SKLEARN (23/30)

FEATURE SELECTION with SKLEARN (23/30)

SKLEARN IMPUTER : NETTOYAGE DE DONNÉES

SKLEARN IMPUTE: DATA CLEANING

SKLEARN PIPELINE AVANCÉE

SKLEARN ADVANCED PIPELINE

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

Sklearn make_scorer tutoriel : Créer vos propres métriques.

Sklearn make_scorer tutorial: Create your own metrics.

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

REGRESSION METRICS in DATA SCIENCE (Coefficient of Determination, Squared Error, etc.)

CROSS-VALIDATION SKLEARN PYTHON (Techniques expliquées en Français)

SKLEARN PYTHON CROSS-VALIDATION (Techniques explained in French)