Apprentissage par la machine

Pasado, presente y futuro de la matemática en relación a la IA

Passé, présent et futur des mathématiques en relation avec l'IA

Can AI fix Britain's broken statistics? | with Arthur Turrell

Conférence d'Arthur Turrel H264 FLOUTÉ V1

Dmitry Vaintrob - Statistical theory of learning sparse structure - IPAM at UCLA

Dmitry Vaintrob - Théorie statistique de l'apprentissage de structure éparse - IPAM à UCLA

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)