L'apprentissage automatique adversarial (AML) étudie les attaques exploitant les vulnérabilités des modèles de machine learning et conçoit des défenses pour s'en protéger.

Personnalisez l'expérience d'apprentissage en données et en IA de vos équipes avec des ressources externes dans des parcours personnalisés.

Construisez le meilleur programme de formation digitale en entreprise avec notre guide complet. Découvrez pourquoi c'est essentiel et comment améliorer la performance.

La responsable du design stratégique, Data, tarification et analytics d’AXA XL explique comment lancer votre programme data et instaurer une culture data efficace.

Ce tutoriel définit le biais statistique dans un modèle d'apprentissage automatique et montre comment effectuer le test sur des données synthétiques.

DataCamp annonce aujourd'hui le lancement de l'assistant IA au sein de son notebook moderne de data science, DataLab. Ces fonctionnalités dopées à l'IA sont désormais disponibles sur les offres DataLab gratuites et payantes.

L’injection de prompt est une attaque où une entrée malveillante est insérée dans le prompt d’un système d’IA, l’amenant à générer des réponses involontaires et potentiellement nuisibles.

Lors d’un récent webinaire, nous avons montré que la gouvernance des données est un élément clé de la stratégie data d’une organisation et qu’elle permet d’en exploiter toute la valeur. Pour réussir un plan de gouvernance, il est essentiel de s’appuyer sur les bons outils et technologies.

Un guide pour les programmeurs MATLAB souhaitant adopter le langage Julia

Apprenez dans votre langue maternelle ! Toutes les vidéos DataCamp sont désormais disponibles en 16 langues, avec des sous-titres en thaï, arabe, turc, vietnamien, polonais et indonésien.

Étudiants en licence et en master aux États-Unis : participez au Data4Good Case Competition et remportez des prix en espèces, des formations d’experts et un accès premium à DataCamp. Inscrivez-vous avant le 20 septembre 2024.

Buffer of Thoughts (BoT) est un cadre de raisonnement enrichi par des "pensées" qui améliore les LLM en intégrant un méta-buffer de stratégies de résolution de problèmes et un gestionnaire de buffer pour sélectionner et adapter dynamiquement ces stratégies afin d'améliorer les performances sur des tâches complexes.