algorithmes Podcast Summaries
algorithmes on Yedapo: 4 summarized podcast and YouTube episodes. Each includes key takeaways, core concepts and notable quotes with timestamps.
Comment compter des millions de vues ? HyperLogLog
Grafikart.fr
Jun 22, 2026
L'algorithme HyperLogLog permet d'estimer le nombre d'éléments distincts dans des volumes de données massifs avec une empreinte mémoire fixe et dérisoire. En exploitant la probabilité statistique de motifs rares dans des hashs, il remplace le stockage coûteux d'identifiants par une structure de buckets efficace, idéale pour le comptage haute performance à grande échelle.
Key insight: Avec seulement 12 Ko de mémoire, HyperLogLog peut estimer le nombre de vues uniques pour une vidéo, que celle-ci en ait reçu 300 ou 500 millions, avec une marge d'erreur d'environ 1 %.
Les petits mensonges de ces interfaces du quotidien
Underscore_
Nov 28, 2025
Les interfaces numériques utilisent des illusions d'ingénierie pour masquer la complexité technique et les limites matérielles. Des barres de réseau aux listes de défilement infinies, ces indicateurs ne reflètent pas la réalité brute mais optimisent l'expérience utilisateur par des compromis intelligents.
Key insight: Les applications de transport comme Transit utilisent l'accéléromètre et le baromètre du téléphone pour localiser précisément l'utilisateur dans le métro, là où le signal GPS est physiquement inexistant.
▶️ [REPLAY] - La carte de l'IA | Partie 1
Machine Learnia
Oct 4, 2024
Loin du battage médiatique actuel sur ChatGPT, l'IA repose sur quatre piliers mathématiques immuables : données, modèles, mesures de performance et algorithmes d'optimisation. Cette session clarifie la taxonomie des modèles d'apprentissage, du linéaire aux approches baésiennes.
Key insight: Les modèles linéaires restent sous-utilisés et mal compris ; ils ne servent pas qu'à la régression, mais constituent la base fondamentale d'une grande partie de l'IA moderne, incluant la classification logistique.
RÉSEAU DE NEURONES PROFOND - DEEP LEARNING 10
Machine Learnia
Apr 8, 2022
Ce tutoriel explique comment généraliser les équations de propagation avant et arrière pour créer des réseaux de neurones avec un nombre arbitraire de couches. En utilisant des boucles de programmation pour automatiser l'initialisation et le calcul des gradients, vous pouvez concevoir des architectures capables de résoudre des problèmes complexes.
Key insight: Le passage à un réseau profond ne garantit pas toujours de meilleures performances ; au-delà d'une certaine complexité, les réseaux peuvent souffrir des problèmes de « gradients évanescents » ou « explosifs ».