IA — Modèles & Recherche

Lec 17 Learning Language - 1

Lec 17 Apprentissage du Langage - 1

explaining PAC

expliquer PAC

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

#022 ML Tatiana Shavrina. Évolution des approches du traitement du langage naturel (NLP)

A simple example of PAC learning

Un exemple simple d'apprentissage PAC

#021 ML Алексей Нечаев. AlphaGo и философия игры Го

#021 ML Alexey Nechaev. AlphaGo et la philosophie du jeu de Go

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

#019 ML Evgeny Razinkov. Feuille de route pour plonger dans l'apprentissage automatique partie 2

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

#018 ML Evgeny Razinkov. Feuille de route pour plonger dans l'apprentissage automatique partie 1

#017 ML Виктория Земляк. Machine Learning в научных исследованиях

#017 ML Victoria Zemlyak. Machine Learning dans la recherche scientifique

#016 ML Линейная регрессия

#016 ML Régression linéaire

#015 ML Основы нейросетей ч.2 Градиентный спуск

#015 ML Les bases des réseaux de neurones partie 2 Descente de gradient

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

#013 ML Alexey Yaroshenko. De spécialiste en publicité à data scientist. Études à MADE

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

#012 ML Yuri Yarovikov. Comment être diplômé de la SHAD, diriger l'École d'apprentissage profond et rester en Russie

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

#010 ML Andrey Klimenko. Neural Shit: Agrandissement illégal d'animaux, Poutine décrépit et Progroverovanie

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

#009 ML Sergueï Markov. La GPT-3 russe et les robots-collecteurs de Sber

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

#008 ML Grigory Sapunov. Perspectives d'apparition de l'Intelligence Artificielle à usage général

#006 ML Основы нейросетей ч.1

#006 ML Les bases des réseaux de neurones partie 1

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

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

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

Conférence 18 | MIT 6.881 (Manipulation robotique), Automne 2020 | Apprentissage par renforcement (Partie 2)

#004 ML Иван Ямщиков. Автоэнкодеры

#004 ML Ivan Yamshchikov. Autoencodeurs

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

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

#003 ML Методы машинного обучения

#003 ML Méthodes d'apprentissage automatique

Curse of dimensionality

Malédiction de la dimensionnalité

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

Cours 11 | MIT 6.881 (Manipulation robotique), automne 2020 | Perception profonde (partie 1)

Comment CHOISIR LE BON MODÈLE de Machine Learning ?

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

Séminaire QSI : Dr Markus Heyl, Institut Max Planck, Apprentissage par renforcement pour la simulation quantique numérique

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

Apprentissage de la parité avec bruit|| @ CMU || Conférence 26b du CS Theory Toolkit

Union bound and ML theory

Union bound et théorie du ML

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

Séminaire QSI : Guillaume Verdon, X, Modèles génératifs quantiques-probabilistes, 19/06/2020

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)