Apprentissage par la machine

Understanding Outer Optimizers in Local SGD: Learning Rates, Momentum, and Acceleration

Comprendre les optimiseurs externes dans la SGD locale : taux d'apprentissage, momentum et accélération

Turn Claude Code Into Your Executive Assistant in 27 Mins

Transformez Claude Code en votre assistant de direction en 27 minutes

MLT | Week-4 | Session-1

MLT | Semaine-4 | Session-1

China Just Dropped 1 Trillion Parameter AI Model That Shocks OpenAI

La Chine vient de dévoiler un modèle d'IA à 1 000 milliards de paramètres qui choque OpenAI.

AI@UCI Workshop 3/4/26 Reinforcement Learning

AI@UCI Atelier 3/4/26 Apprentissage par renforcement

[ИАД, весна 2026] Введение в машинное обучение. Лекция 4: Эволюция идей машинного обучения

[ИАД, printemps 2026] Introduction à l'apprentissage automatique. Conférence 4 : Évolution des idées de l'apprentissage automatique

Keynote - Era of experience (Prof. David Silver)

Conférence inaugurale - L'ère de l'expérience (Prof. David Silver)

Google vient de réaliser l’IA générale en mathématiques

[ИАД, весна 2026] Рекомендательные системы. Лекция 2

[IAD, printemps 2026] Systèmes de recommandation. Cours 2

MENACE | EP04

Google Just Achieved Mathematical AGI

Google vient d'atteindre l'intelligence artificielle générale mathématique

Yingzhen Li - Variational Uncertainty Decomposition for In-Context Learning

Yingzhen Li - Décomposition de l'incertitude variationnelle pour l'apprentissage en contexte

Machine Learning 1 [Even Semester 2025/2026 Telyu] - Introduction to Machine Learning

Machine Learning 1 [Even Semester 2025/2026 Telyu] - Introduction au Machine Learning

What is an explanation in machine learning?

Qu'est-ce qu'une explication en apprentissage automatique ?

Shapley Additive Explanations (SHAP)

Explications additives de Shapley (SHAP)

LIME: local interpretable model-agnostic explanations

LIME : explications locales interprétables et indépendantes du modèle

Intrinsically interpretable models

Modèles intrinsèquement interprétables

Gradient-based explanations (saliency maps)

Explications basées sur le gradient (cartes de saillance)

Counterfactual explanations

Explications contrefactuelles

[JC] Principles of Quantum Machine Learning and Multidisciplinary Applications of Hybrid QNNs

[JC] Principes de l'apprentissage automatique quantique et applications multidisciplinaires des QNN hybrides

MLT | Week-3 | Session-1

MLT | Semaine-3 | Séance-1

Wei Huang: Trained Mamba Emulates Online Gradient Descent in In-Context Linear Regression

Wei Huang: Mamba entraîné émule la descente de gradient en ligne dans la régression linéaire en contexte

Victor Churchill: Efficient Data-Driven Modeling of PDEs: Partially-Observed Flow Map Learning

Victor Churchill: Modélisation efficace basée sur les données des EDP: Apprentissage de cartes de flux partiellement observées

Tuca Auffinger - Open Mathematical Problems in Manifold Learning for Single-Cell Data - IPAM at UCLA

Tuca Auffinger - Problèmes mathématiques ouverts en apprentissage de variétés pour les données unicellulaires - IPAM à UCLA

Reinforcement Learning 2026 - Session 2

Apprentissage par renforcement 2026 - Session 2

Reinforcement Learning 2026 - Session 1

Apprentissage par renforcement 2026 - Session 1

James Murray Louw: Stability in learning the climate of dynamical systems with state space systems

James Murray Louw: Stabilité dans l'apprentissage du climat de systèmes dynamiques avec des systèmes d'espace d'états

I Can Actually Watch My AI Agents Work Now

Je peux désormais observer mes agents IA travailler.

Boumediene Hamzi: Toward an Algorithmic Theory of Machine Learning via Kernel Methods

Boumediene Hamzi : Vers une théorie algorithmique de l'apprentissage automatique via les méthodes à noyau

Tobias Sutter: Towards Optimal Offline Reinforcement Learning

Tobias Sutter : Vers un apprentissage par renforcement hors ligne optimal

Lin Wan: Learning collective multicellular dynamics with an interacting mean field neural SDE model

Lin Wan : Apprendre les dynamiques collectives multicellulaires avec un modèle neuronal SDE de champ moyen interactif

Comment créer votre PREMIER agent IA en 2026 (sans coder)

A Hitchhiker’s Guide to the World of LLM Fine-Tuning: ADIA Lab Seminar with Praneeth Vepakomma

Un guide du voyageur vers le monde du fine-tuning des LLM : Séminaire du laboratoire ADIA avec Praneeth Vepakomma

[ИАД, весна 2026] Рекомендательные системы. Лекция 1

[ИАД, printemps 2026] Systèmes de recommandation. Conférence 1

[ИАД, весна 2026] Математические методы прогнозирования II. Лекция 1

[ИАД, весна 2026] Méthodes mathématiques de prévision II. Leçon 1

Ying-Cheng Lai: Unsupervised learning for anticipating critical transitions

Ying-Cheng Lai : Apprentissage non supervisé pour anticiper les transitions critiques

Daniel Lathrop: Using nonlinear dynamics for low-power high-speed machine learning electronics

Daniel Lathrop : Utiliser la dynamique non linéaire pour l'électronique d'apprentissage automatique à faible puissance et haute vitesse

Andrew Wilson: Epiplexity: A Measure of Structural Information Content for OOD Generalization

Andrew Wilson: Epiplexity: Une mesure du contenu d'information structurel pour la généralisation OOD

Vous utilisez l'IA mais vous ne gagnez pas de temps ? Je vous montre comment changer ça

Why Muon Is Good but May Not Be Optimal || Feb 20, 2026

Pourquoi Muon est bon mais peut ne pas être optimal || 20 février 2026