Apprentissage par la machine

Claude Fable 5.1 is savage

Claude Fable 5.1 est redoutable

Strange Geometric Shapes Found Inside AIs — Tom McGrath

D'étranges formes géométriques découvertes au cœur des IA — Tom McGrath

Lec 34: Learning Rate Scaling & Training Dynamics

Lec 34 : Mise à l'échelle du taux d'apprentissage et dynamiques d'entraînement

ANN & LEARNING | DATA ANALYTICS | LECTURE 02 BY MR. MUKULIT GOEL | AKGEC

ANN & LEARNING | DATA ANALYTICS | LECTURE 02 PAR M. MUKULIT GOEL | AKGEC

Efficient Deep Learning for Brain Tumor Segmentation

Apprentissage profond efficace pour la segmentation des tumeurs cérébrales

Dhruv Rohatgi: Computational-Statistical Tradeoffs at the Next-Token Prediction Barrier

Dhruv Rohatgi : Compromis calcul-statistique à la frontière de la prédiction du prochain jeton

Ep. 234: How HubSpot Is Reimagining the Entire Customer Journey With AI Agents

Ép. 234 : Comment HubSpot réinvente tout le parcours client avec des agents IA

The mathematics of AI uncertainty

Les mathématiques de l'incertitude de l'IA

My PhD Oral Defense Presentation: From Numerical Simulators to Neural Emulators and Back

Soutenance de thèse : des simulateurs numériques aux émulateurs neuronaux et retour

Redefining Roles For Edge And Cloud AI

Nigel2 HD 1080p

Lec 23: Auto - Regressive Generative Models

Lec 23: Modèles génératifs autorégressifs

ICM 2026 Panel - AI for Mathematics

ICM 2026 Panel - IA pour les mathématiques

MLT | Week-10 | Live Session

MLT | Semaine 10 | Session en direct

Lec 32: Scaling, Horovod, and Picking the Right Tool

Lec 32: Mise à l'échelle, Horovod, et choisir le bon outil

Lec 31: NCCL, All-reduce, and Multi-node

Lec 31 : NCCL, All-reduce, et Multi-nœud

78. Sonnet 5, Meta Cloud y la guerra de infraestructura

78. Sonnet 5, Meta Cloud et la guerre de l'infrastructure

On Policy Distillation - How the big AI labs actually train their LLMs

Sur la distillation de politiques - Comment les grands laboratoires d'IA entraînent réellement leurs LLM

Charla “Minería en Quimio-informática: Cómo extraer compuestos valiosos de bases de datos”

Discussion "Minage en chimio-informatique : Comment extraire des composés précieux des bases de données"

Dr. Boumediene Hamzi | When Compressibility Replaces Smoothness: Bridging Machine Learning, Dynam...

Dr. Boumediene Hamzi | Quand la compressibilité remplace la régularité : Relier l'apprentissage automatique, la dynam...

La Chine dévoile Superman, son robot IA aux pouvoirs surhumains : une vraie révolution ?

Code a Reinforcement Learning Library in C from Scratch (Full Course)

Codez une bibliothèque d'apprentissage par renforcement en C à partir de zéro (Cours complet)

A Week of Grok Bot Lessons in 10 Mins

Une semaine de leçons sur Grok Bot en 10 minutes

I trained a Reasoning Language Model with RL on an unverifiable task

J'ai entraîné un modèle de langage capable de raisonner grâce au RL sur une tâche invérifiable

MLT | Week-7 & 8 | Revision Session

MLT | Semaines 7 et 8 | Session de révision

China Finally Beats MYTHOS 5 With New GLM 5.3 (Plus Anthropic's New Model 2)

La Chine surpasse enfin MYTHOS 5 avec le nouveau GLM 5.3 (et le nouveau modèle 2 d'Anthropic)

Lec 28: Efficient LLM fine-tuning using peft and LoRA

Lec 28 : Ajustement fin efficace des LLM à l'aide de peft et LoRA

Lec 27: Transfer learning for large models

Lec 27 : Apprentissage par transfert pour grands modèles

Dr. Gareth Conduit | Unveil the unseen: uncover hidden information in concrete with machine learning

Dr. Gareth Conduit | Dévoiler l'invisible : découvrir des informations cachées dans le béton grâce à l'apprentissage automatique

Why Great Models Fail: Lessons From 9 Years of Deploying ML Models - Megan Robertson

Pourquoi les grands modèles échouent : Leçons de 9 ans de déploiement de modèles de ML - Megan Robertson

Stanford AA203 Optimal and Learning-Based Control | Spring 2026 | Lecture 19: Model-Based RL

Stanford AA203 Contrôle optimal et basé sur l'apprentissage | Printemps 2026 | Leçon 19 : RL basé sur modèle

Stanford AA203 Optimal and Learning-Based Control | Spring 2026 | Lecture 18: RL Policy Optimization

Stanford AA203 Contrôle optimal et basé sur l'apprentissage | Printemps 2026 | Cours 18 : Optimisation de politiques de RL

Stanford AA203 Optimal and Learning-Based Control | Spring 2026 | Lecture 17: RL Value-Based Methods

Stanford AA203 Contrôle optimal et basé sur l’apprentissage | Printemps 2026 | Cours 17 : Méthodes basées sur la valeur de RL

Stanford AA203 Optimal and Learning-Based Control | Spring 2026 | Lecture 16: Fundamentals of RL

Stanford AA203 Contrôle optimal et basé sur l’apprentissage | Printemps 2026 | Cours 16 : Fondamentaux du RL

Stanford AA203 Optimal and Learning-Based Control | Spring 2026 | Lecture 15: Imitation Learning

Stanford AA203 Contrôle optimal et basé sur l'apprentissage | Printemps 2026 | Leçon 15 : Apprentissage par imitation

Prof. John Harlim | Learning solution operator of dynamical systems with diffusion maps kernel ri...

Prof. John Harlim | Apprentissage de l'opérateur de solution de systèmes dynamiques avec noyau de cartes de diffusion...

Prof. Gitta Kutyniok | Beyond Scaling: Optimization and Learning for Sustainable AI

Prof. Gitta Kutyniok | Au-delà de la mise à l'échelle : Optimisation et apprentissage pour une IA durable

Andrew Lee: Decomposing Query-Key Feature Interactions Using Contrastive Covariances (2026-05-13)

Andrew Lee: Décomposer les interactions de caractéristiques query-key à l'aide de covariances contrastives (2026-05-13)

Fine-Tuning LLMs for Real-World Tool Calling: Lessons from tau2-bench

Ajustement fin des LLM pour l'appel d'outils dans le monde réel : leçons de tau2-bench

Expanding the Capabilities of Tabular Foundation Models

Étendre les capacités des modèles de fondation tabulaires

Enhancing Training Data Pipelines with Lance and the Multimodal Lakehouse

Améliorer les pipelines de données d'entraînement avec Lance et le Lakehouse multimodal