Bienvenue à exoco-lmd.com! Partagez et consultez des solutions d'examens et d'exercices des programmes LMD et formation d'ingénieur.

Shoutbox

Recent

Stats

Membres
Stats
  • Total des messages: 7151
  • Total des sujets: 6952
  • Online today: 174
  • Online ever: 7875
  • (Avril 10, 2026, 09:34:17 AM)
Membres en ligne
Users: 0
Guests: 173
Total: 173

Messages récents

Pages 1 ... 7 8 9 10
#81
Sciences naturelles / التصحيح النموذجي العلوم الطبي...
Dernier message par sabrina - Février 06, 2026, 08:01:14 PM
التصحيح النموذجي العلوم الطبيعية - BAC 2024


1- شعبة العلوم التجريبية
dzexams-bac-sciences-naturelles-1751784.pdf

2- شعبة رياضيات
dzexams-bac-sciences-naturelles-1482576.pdf
#82
Math / BAC 2025- Sujets Corrigés _ BA...
Dernier message par sabrina - Février 06, 2026, 07:56:35 PM
BAC 2025- اختبار في مادة: الريضيات : الإجابة النموذجية

1-GE الشعبة: تسيير واقتصاد
dzexams-bac-mathematiques-1888843.pdf
 
2-Lit  شعبة آداب وفلسفة _ الشعبة: آداب وفلسفة، لغات أجنبية
dzexams-bac-mathematiques-1376623.pdf
 
3- m الشعبة: رياضيات
dzexams-bac-mathematiques-1252509.pdf

4- mt شعبة تقني رياضي
dzexams-bac-mathematiques-2243211.pdf

5- se الشعبة: علوم تجريبية
dzexams-bac-mathematiques-2229208.pdf
#83
Math / BAC 2024 - Sujets Corrigés _ B...
Dernier message par sabrina - Février 06, 2026, 07:51:01 PM
BAC 2024- اختبار في مادة: الريضيات : الإجابة النموذجية
1-GE الشعبة: تسيير واقتصاد
dzexams-bac-mathematiques-1349993.pdf
2-Lit  شعبة آداب وفلسفة _ الشعبة: آداب وفلسفة، لغات أجنبية
dzexams-bac-mathematiques-1061072.pdf
3- m الشعبة: رياضيات
dzexams-bac-mathematiques-1435676.pdf
4- mt شعبة تقني رياضي
dzexams-bac-mathematiques-1494511.pdf

5- se الشعبة: علوم تجريبيةdzexams-bac-mathematiques-1435676.pdf
#84
Intelligence Artificielle (AI Artificial Intelligence) / L8 MIT Generalizable Autonomy ...
Dernier message par sabrina - Février 04, 2026, 08:52:24 PM
L8 MIT Generalizable Autonomy in Robot Manipulation

Français :
Ce document présente la leçon 8 du cours MIT 6.S191 sur l'autonomie généralisable dans la manipulation robotique, donnée par Animesh Garg. La présentation aborde les défis pour développer des robots capables de s'adapter à des environnements non structurés et de réaliser des tâches complexes quotidiennes comme le ménage, la cuisine ou la lessive. Le cours explore quatre piliers fondamentaux : les compétences visuo-motrices (apprentissage de contrôle basé sur la vision avec biais inductifs structurés), la planification compositionnelle (décomposition hiérarchique des tâches), la structure des tâches (apprentissage de programmes et graphes de tâches pour généraliser à partir de démonstrations), et les données pour la robotique (collecte à grande échelle via des plateformes comme RoboTurk). L'approche combine l'apprentissage profond avec des priors structurés pour obtenir une meilleure efficacité d'échantillonnage, généralisation et interprétabilité.
English :

This document presents Lecture 8 from MIT's 6.S191 course on generalizable autonomy in robot manipulation, delivered by Animesh Garg. The presentation addresses challenges in developing robots capable of adapting to unstructured environments and performing complex everyday tasks like cleaning, cooking, or doing laundry. The course explores four fundamental pillars: visuo-motor skills (learning vision-based control with structured inductive biases), compositional planning (hierarchical task decomposition), task structure (learning task programs and graphs to generalize from demonstrations), and data for robotics (large-scale data collection via platforms like RoboTurk). The approach combines deep learning with structured priors to achieve better sample efficiency, generalization, and interpretability.
#85
Intelligence Artificielle (AI Artificial Intelligence) / L7 IMT Neurosymbolic AI
Dernier message par sabrina - Février 04, 2026, 08:50:45 PM
L7 IMT  Neurosymbolic AI

Français :
Ce document présente la leçon 7 du cours MIT 6.S191 sur l'intelligence artificielle neurosymbolique, donnée par David Cox du MIT-IBM Watson AI Lab. La présentation explore l'évolution de l'IA depuis les systèmes étroits (Narrow AI) vers une IA plus large (Broad AI) et éventuellement générale. Elle met en lumière les limitations des approches purement neuronales et propose de combiner les réseaux de neurones avec le raisonnement symbolique pour créer des systèmes plus robustes, explicables et efficaces en données. Le cours présente des applications concrètes comme le raisonnement visuel (VQA), l'apprentissage de concepts, l'apprentissage de métaconcepts, et la compréhension d'événements vidéo. L'approche neurosymbolique permet d'atteindre une précision quasi-parfaite avec beaucoup moins de données d'entraînement tout en offrant une meilleure transparence et interprétabilité des résultats.

English:
This document presents Lecture 7 from MIT's 6.S191 course on Neurosymbolic AI, delivered by David Cox from the MIT-IBM Watson AI Lab. The presentation explores AI's evolution from narrow AI systems toward broader and eventually general AI. It highlights the limitations of purely neural approaches and proposes combining neural networks with symbolic reasoning to create more robust, explainable, and data-efficient systems. The course presents concrete applications including visual reasoning (VQA), concept learning, meta-concept learning, and video event understanding. The neurosymbolic approach achieves near-perfect accuracy with significantly less training data while providing better transparency and interpretability of results.
#86
Intelligence Artificielle (AI Artificial Intelligence) / L6 MIT Limitation And New Fron...
Dernier message par sabrina - Février 04, 2026, 08:47:21 PM
L6 MIT Limitation And New Frontiers

Résumé en français :
Cette sixième leçon du cours MIT 6.S191 est consacrée aux Transformers et aux mécanismes d'attention, qui constituent aujourd'hui la base des modèles modernes en traitement du langage naturel. Le document introduit le principe de l'attention comme alternative aux réseaux récurrents, en expliquant comment un modèle peut pondérer dynamiquement les relations entre les éléments d'une séquence. Il détaille le fonctionnement du self-attention, des requêtes, clés et valeurs (Q, K, V), ainsi que l'architecture Transformer composée de blocs d'attention multi-têtes et de réseaux feed-forward. La leçon aborde également l'encodage positionnel, les avantages des Transformers en termes de parallélisation et d'apprentissage à long terme, et leurs applications majeures telles que la traduction automatique, les modèles de langage et la génération de texte.

Summary in English:
Lecture 6 of the MIT 6.S191 course focuses on Transformers and attention mechanisms, which form the foundation of modern natural language processing models. The document introduces attention as an alternative to recurrent networks, explaining how models dynamically weight relationships between elements in a sequence. It details self-attention using queries, keys, and values (Q, K, V), as well as the Transformer architecture built from multi-head attention and feed-forward blocks. The lecture also covers positional encoding, the advantages of Transformers in terms of parallelization and long-range dependency modeling, and key applications such as machine translation, language models, and text generation.
#87
Intelligence Artificielle (AI Artificial Intelligence) / L5 MIT Deep Reinforcement Lea...
Dernier message par sabrina - Février 04, 2026, 08:44:34 PM
L5 MIT  Deep Reinforcement Learning

Résumé en français :
Cette cinquième leçon du cours MIT 6.S191 est dédiée aux réseaux de neurones récurrents (RNN) et aux modèles séquentiels, utilisés pour traiter des données ordonnées dans le temps. Le document présente les limites des réseaux classiques pour les séquences et introduit le principe de récurrence, permettant de conserver une mémoire des états passés. Il explique le fonctionnement des RNN, ainsi que les problèmes de gradients qui disparaissent ou explosent lors de l'apprentissage. Des architectures améliorées comme les LSTM (Long Short-Term Memory) et les GRU sont introduites pour résoudre ces problèmes. La leçon aborde également des applications majeures telles que le traitement du langage naturel, la reconnaissance vocale, la modélisation de séries temporelles et la génération de séquences.

Summary in English:
Lecture 5 of the MIT 6.S191 course focuses on Recurrent Neural Networks (RNNs) and sequential models for time-ordered data. The document explains why standard neural networks are not suitable for sequence modeling and introduces recurrence as a way to retain memory of past states. It describes how RNNs work and highlights training challenges such as vanishing and exploding gradients. Advanced architectures like Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU) are presented as solutions to these issues. The lecture also covers key applications including natural language processing, speech recognition, time-series modeling, and sequence generation
#88
Intelligence Artificielle (AI Artificial Intelligence) / L4 MIT Generative Models
Dernier message par sabrina - Février 04, 2026, 08:42:08 PM
L4 MIT Generative Models


Résumé en français :
Cette quatrième leçon du cours MIT 6.S191 est consacrée aux réseaux de neurones convolutifs (CNN), principalement utilisés en vision par ordinateur. Le document explique le principe de la convolution, le rôle des filtres (kernels), du partage de poids et de l'invariance aux translations, ainsi que les couches de pooling pour la réduction de dimension. Il décrit l'architecture typique d'un CNN (convolution, activation, pooling, fully connected) et montre comment ces réseaux extraient automatiquement des caractéristiques hiérarchiques à partir des images. La leçon aborde également l'entraînement des CNN, leurs avantages par rapport aux réseaux entièrement connectés, et leurs applications majeures comme la classification d'images, la détection d'objets et la reconnaissance visuelle.

Summary in English:
Lecture 4 of the MIT 6.S191 course focuses on Convolutional Neural Networks (CNNs), which are widely used in computer vision. The document explains the concept of convolution, the role of filters (kernels), weight sharing, and translation invariance, as well as pooling layers for dimensionality reduction. It presents the typical CNN architecture composed of convolution, activation, pooling, and fully connected layers, and shows how CNNs automatically learn hierarchical feature representations from images. The lecture also discusses CNN training, their advantages over fully connected networks, and key applications such as image classification, object detection, and visual recognition.
#89
Intelligence Artificielle (AI Artificial Intelligence) / L3 MIT Deep Computer Vision
Dernier message par sabrina - Février 04, 2026, 08:39:36 PM
L3 MIT Deep Computer Vision

Le contenu du cours

Français :
Ce document est une présentation du cours MIT 6.S191 sur l'apprentissage profond (Deep Learning), spécifiquement la leçon 3 portant sur les réseaux de neurones convolutifs (CNN). La présentation couvre les concepts fondamentaux des CNN, incluant les opérations de convolution, le pooling, et l'architecture des réseaux pour la vision par ordinateur. Elle explore comment les CNN apprennent des caractéristiques hiérarchiques à partir d'images, depuis les motifs de base comme les bords jusqu'aux concepts de haut niveau. Le cours aborde également des applications pratiques comme la classification d'images, la détection d'objets, et la segmentation sémantique, tout en présentant des architectures célèbres et les principes de conception des réseaux convolutifs modernes.

English:
This document is a presentation from MIT's 6.S191 Deep Learning course, specifically Lecture 3 on Convolutional Neural Networks (CNNs). The presentation covers fundamental CNN concepts including convolution operations, pooling, and network architecture for computer vision. It explores how CNNs learn hierarchical features from images, starting from basic patterns like edges to high-level concepts. The course also addresses practical applications such as image classification, object detection, and semantic segmentation, while presenting famous architectures and design principles of modern convolutional networks. Sonnet 4.5
#90
Intelligence Artificielle (AI Artificial Intelligence) / L2 MIT : Deep Sequence Modelin...
Dernier message par sabrina - Février 04, 2026, 08:35:20 PM
Voici un résumé fidèle et synthétique du contenu du fichier 6.S191 – MIT Deep Learning, Lecture 2 (un seul paragraphe en français puis en anglais) 👇

Résumé en français :
Ce document correspond à la deuxième leçon du cours MIT 6.S191 et introduit les fondements du deep learning à travers les réseaux de neurones artificiels. Il explique le fonctionnement du neurone (perceptron), la combinaison linéaire des entrées, les fonctions d'activation non linéaires et leur rôle dans la capacité de représentation des réseaux. Le cours détaille la notion de fonction de perte, l'apprentissage par descente de gradient et l'algorithme de rétropropagation du gradient (backpropagation) pour ajuster les poids du réseau. Il aborde également des concepts essentiels tels que l'overfitting, la généralisation, la régularisation, l'initialisation des poids et l'impact de la profondeur du réseau sur les performances. L'objectif est de fournir une base mathématique et intuitive solide pour comprendre comment les réseaux neuronaux apprennent à partir des données.

Summary in English:
This document corresponds to Lecture 2 of the MIT 6.S191 course and introduces the core principles of deep learning through artificial neural networks. It explains how a neuron (perceptron) works, including linear combinations of inputs, nonlinear activation functions, and their role in model expressiveness. The lecture covers loss functions, gradient descent optimization, and the backpropagation algorithm used to train neural networks. It also discusses key concepts such as overfitting, generalization, regularization techniques, weight initialization, and the effect of network depth on learning performance. The goal is to build both mathematical and intuitive understanding of how deep neural networks learn from data.
Pages 1 ... 7 8 9 10


Suggestions pour vous