IA — Modèles & Recherche

Computing Homography | Image Stitching

Calcul de l'homographie | Assemblage d'images

Active Contours | Boundary Detection

Contours Actifs | Détection de Contours

Segmenting Binary Images | Binary Images

Segmentation d'images binaires | Images binaires

Geometric Properties | Binary Images

Propriétés géométriques | Images binaires

Wide Angle Cameras | Image Formation

Caméras grand angle | Formation d'image

What is Vision Used For? | Introduction

À quoi sert la vision ? | Introduction

Topics Covered | Introduction

Sujets Couverts | Introduction

Pinhole and Perspective Projection | Image Formation

Projection sténopé et perspective | Formation d'image

VC dimension I

dimension VC I

Lec 17 Learning Language - 1

Lec 17 Apprentissage du Langage - 1

explaining PAC

expliquer PAC

A simple example of PAC learning

Un exemple simple d'apprentissage PAC

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)

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)

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)

PYTHON SKLEARN - MODEL SELECTION : Train_test_split, Cross Validation, GridSearchCV (21/30)

PYTHON SKLEARN: KNN, LinearRegression et SUPERVISED LEARNING (20/30)

Mind-Machine Interfaces

Interfaces esprit-machine

RÉGRESSION LINÉAIRE MULTIPLE AVEC NUMPY - ML#9

RÉGRESSION LINÉAIRE NUMPY - ML#8

PYTHON : L'ESSENTIEL POUR MACHINE LEARNING - ML#7

RÉGRESSION LINÉAIRE (partie 2/2) - ML#6