Apprentissage par la machine

Using linear regression to estimate non-linear problems (with code!)

Utiliser la régression linéaire pour estimer des problèmes non linéaires (avec du code !)

Lecture 17: MIT 6.800/6.843 Robotics Manipulation (Fall 2021) | "Behavior Cloning"

Cours 17 : MIT 6.800/6.843 Manipulation robotique (Automne 2021) | « Clonage comportemental »

Qiskit Falll Fest CIC-IPN Mexico 2021- Introducción al Aprendizaje de Máquina Cuántico

Qiskit Fall Fest CIC-IPN Mexico 2021- Introduction à l'apprentissage automatique quantique

Machine Learning Practice: CoLab Interface

Pratique du Machine Learning : Interface CoLab

reading conditional independence from the BN

lecture de l'indépendance conditionnelle à partir du BN

Gradient Descent | Neural Networks

Descente de gradient | Réseaux neuronaux

Backpropagation Algorithm | Neural Networks

Algorithme de rétropropagation | Réseaux de neurones

Sequential identification of agent reliability and the Bayes factor

Identification séquentielle de la fiabilité de l'agent et le facteur de Bayes

Bayesian Networks independence I

Indépendance des réseaux bayésiens I

Machine Learnia, La suite commence ici.

[Extract] The UK's Quantum Computer webinar ::: Alexei Kondratyev - Quantum Machine Learning

[Extract] Le webinaire sur l'ordinateur quantique du Royaume-Uni ::: Alexei Kondratyev - Apprentissage automatique quantique

VC dimension as an adversary to learning

La dimension VC comme adversaire de l'apprentissage

Support Vector Machine | Face Detection

Support Vector Machine | Détection de Visages

VC dimension I

dimension VC I

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

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: 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)

RÉGRESSION LINÉAIRE MULTIPLE AVEC NUMPY - ML#9

RÉGRESSION LINÉAIRE NUMPY - ML#8

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