Apprentissage par la machine

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

Encrypted inferences over decision trees

Inférences chiffrées sur des arbres de décision

Emulating Real-World PII with a Large-Scale Synthetic Dataset to Audit LLM Memorization

Émulation de PII du monde réel avec un ensemble de données synthétiques à grande échelle pour auditer la mémorisation des LLM

AI Is Learning at the Wrong Level of Abstraction — Matthieu Wyart

L'IA apprend au mauvais niveau d'abstraction — Matthieu Wyart

Research Presentation

Présentation de recherche

Research Discussion

Discussion de recherche

Panel Session

Session de Panel

MLT | Week-8 | Solve with us | Naive Bayes Algorithm

MLT | Semaine 8 | Résolvez avec nous | Algorithme Naive Bayes

Agents That Learn: Building Your First RL Agent with JAX

Agents qui apprennent : construire votre premier agent RL avec JAX

A computational phase transition for learning-to-sample from Ising models

Une transition de phase computationnelle pour apprendre à échantillonner à partir de modèles d'Ising

Lec 21: Graph Execution & TensorFlow Optimization

Lec 21: Exécution de graphe et optimisation de TensorFlow

Lec 20: Optimization Input Pipelines with tf.data

Lec 20 : Optimisation des pipelines d'entrée avec tf.data

Lec 19: TensorFlow Execution Models & Performance Basics

Lec 19: Modèles d'exécution TensorFlow et bases de la performance

How abundant are good interpolators?

Quelle est l'abondance des bons interpolateurs ?

What Is AI Model Collapse? Why AI Could Forget Reality

Qu'est-ce que l'effondrement du modèle d'IA ? Pourquoi l'IA pourrait oublier la réalité

MLT | Week-8 | Naive Bayes Algorithm | Live Session

MLT | Semaine 8 | Algorithme Naive Bayes | Session en direct

Optimal Inference Schedules for Masked Diffusion Models

Programmes d'inférence optimaux pour les modèles de diffusion masqués

Claude Skills : Tu peux enfin TOUT automatiser en montrant ton ÉCRAN !

A new class of algorithms for trajectory inference

Une nouvelle classe d'algorithmes pour l'inférence de trajectoires

Hybridization of Neural Networks and Numerical Solvers in JAX with Differentiable Physics

Hybridation des réseaux de neurones et des solveurs numériques dans JAX avec la physique différentiable

Stanford CS329A Self-Improving AI Agents | Part 9 | Future Research Areas

Stanford CS329A Agents d'IA à auto-amélioration | Partie 9 | Domaines de recherche futurs

Stanford CS329A Self-Improving AI Agents | Part 7 | Self-Improvement and Deep Research Agents

Stanford CS329A Self-Improving AI Agents | Partie 7 | Self-Improvement and Deep Research Agents

Stanford CS329A Self-Improving AI Agents | Part 6 | Train Time Scaling/Scaling RL

Stanford CS329A Self-Improving AI Agents | Partie 6 | Train Time Scaling/Scaling RL

Stanford CS329A Self-Improving AI Agents | Part 5 | Planning and Multi-Step Reasoning

Stanford CS329A Agents IA Auto-Améliorants | Partie 5 | Planification et Raisonnement Multi-Étapes

Stanford CS329A Self-Improving AI Agents | Part 4 | Learning from Feedback with Tools/Code

Stanford CS329A Self-Improving AI Agents | Partie 4 | Apprendre des retours avec outils/code

Stanford CS329A Self-Improving AI Agents | Part 3 | Robust Verification

Stanford CS329A Agents d'IA à auto-amélioration | Partie 3 | Vérification robuste

Efficient Reinforcement Learning for Diffusion Models

Apprentissage par renforcement efficace pour les modèles de diffusion

Architectures for an AI agent for route planning and Next-Latent Prediction

Architectures pour un agent IA de planification d'itinéraires et prédiction du prochain état latent

MLT | Week-7 | Solve with us-Decision Tree and K-NN

MLT | Semaine 7 | Résolvez avec nous - Arbre de décision et K-NN

Stanford CS229 Machine Learning | Spring 2026 | Lecture 9: K-Means and GMM (non-EM)

Stanford CS229 Apprentissage automatique | Printemps 2026 | Cours 9 : K-Means et GMM (non-EM)

Stanford CS229 Machine Learning | Spring 2026 | Lecture 20: GMM (EM), PCA

CS229 du 03/06/2026 YT

Stanford CS229 Machine Learning | Spring 2026 | Lecture 18: GMM (EM), PCA

Stanford CS229 Apprentissage automatique | Printemps 2026 | Cours 18 : GMM (EM), ACP

Stanford CS229 Machine Learning | Spring 2026 | Lecture 13: LLMs, Next-Word Prediction Loss

CS229 du 11/05/2026_YouTube

Stanford CS229 Machine Learning | Spring 2026 | Lecture 10: GMM (EM), PCA

Stanford CS229 Machine Learning | Spring 2026 | Cours 10 : GMM (EM), PCA

Stanford CS229 Machine Learning | Spring 2026 | Lecture 6: Dataset Split, ML Advice

Stanford CS229 Machine Learning | Spring 2026 | Lecture 5: Gaussian Discriminant Analysis

Stanford CS229 Machine Learning | Spring 2026 | Lecture 5 : Analyse discriminante gaussienne