Apprentissage profond (French Wikipedia)

Analysis of information sources in references of the Wikipedia article "Apprentissage profond" in French language version.

refsWebsite

Global rank French rank

14doi.org

2^nd place

3^rd place

13issn.org

57^th place

4^th place

8nih.gov

4^th place

12^th place

6arxiv.org

69^th place

232^nd place

4nature.com

234^th place

147^th place

2lemonde.fr

83^rd place

2^nd place

2ieee.org

652^nd place

741^st place

1gouv.qc.ca

1,004^th place

73^rd place

1legifrance.gouv.fr

265^th place

22^nd place

1futuribles.com

low place

1youtube.com

9^th place

19^th place

1lemondeinformatique.fr

low place

898^th place

1cogneurosociety.org

low place

1web.archive.org

1^st place

1mdpi.com

2,912^th place

1,010^th place

1epfl.ch

4,521^st place

1,512^th place

1google.fr

3,051^st place

182^nd place

1frontiersin.org

4,679^th place

1,649^th place

1jamanetwork.com

2,650^th place

689^th place

1harvard.edu

18^th place

118^th place

1royalsocietypublishing.org

1,993^rd place

854^th place

1bmj.com

1,226^th place

347^th place

1oup.com

485^th place

416^th place

1sciencesetavenir.fr

5,021^st place

272^nd place

1wiley.com

222^nd place

129^th place

1vice.com

175^th place

291^st place

1madmoizelle.com

9,080^th place

540^th place

arxiv.org

J. Schmidhuber (2015), « Deep learning in neural networks: An overview », Neural Networks, 61, 85-117.
(en) D. Held, S. Thrun et S. Savarese (2015), « Deep Learning for Single-View Instance Recognition », arXiv preprint arXiv:1507.08286.
M. Oberweger, P. Wohlhart et V. Lepetit (2015), « Hands Deep in Deep Learning for Hand Pose Estimation », arXiv preprint arXiv:1502.06807.
A. Kendall et R. Cipolla (2015), « Modelling Uncertainty in Deep Learning for Camera Relocalization », arXiv preprint arXiv:1509.05909 (résumé).
(en) S. E. Kahou, X. Bouthillier, P. Lamblin, C. Gulcehre, V. Michalski, K. Konda, … et Y. Bengio (2015). EmoNets: Multimodal deep learning approaches for emotion recognition in video. arXiv preprint arXiv:1503.01800.
(en) Patrick Schwab, Gaetano Scebba, Jia Zhang et Marco Delai, « Beat by Beat: Classifying Cardiac Arrhythmias with Recurrent Neural Networks », 2017.

bmj.com

(en) G. S. Collins, J. B. Reitsma, D. G. Altman et K. G. M. Moons, « Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement », BMJ, vol. 350, n^o jan07 4,‎ 7 janvier 2015, g7594–g7594 (ISSN 1756-1833, DOI 10.1136/bmj.g7594, lire en ligne, consulté le 3 février 2024).

cogneurosociety.org

(en-US) lmunoz, « Dissecting Artificial Intelligence to Better Understand the Human Brain », sur Cognitive Neuroscience Society, 25 mars 2018 (consulté le 16 mars 2023).

doi.org

dx.doi.org

(en) Jian Zhou et Olga G Troyanskaya, « Predicting effects of noncoding variants with deep learning–based sequence model », Nature Methods, vol. 12, n^o 10,‎ octobre 2015, p. 931–934 (ISSN 1548-7091 et 1548-7105, PMID 26301843, PMCID PMC4768299, DOI 10.1038/nmeth.3547).
(en) John Jumper, Richard Evans, Alexander Pritzel et Tim Green, « Highly accurate protein structure prediction with AlphaFold », Nature, vol. 596, n^o 7873,‎ 26 août 2021, p. 583–589 (ISSN 0028-0836 et 1476-4687, PMID 34265844, PMCID PMC8371605, DOI 10.1038/s41586-021-03819-2).
(en) Dan Cireşan, Ueli Meier, Jonathan Masci et Jürgen Schmidhuber, « Multi-column deep neural network for traffic sign classification », Neural Networks, vol. 32 « Selected Papers from IJCNN 2011 »,‎ août 2012, p. 333-338 (ISSN 0893-6080, e-ISSN 1879-2782, PMID 22386783, DOI 10.1016/j.neunet.2012.02.023).
(en) Matthew Veres, Griffin Lacey et Graham W. Taylor, « Deep Learning Architectures for Soil Property Prediction », dans 2015 12th Conference on Computer and Robot Vision (CRV), 2015 (ISBN 978-1-4799-1986-4, DOI 10.1109/CRV.2015.15 , lire en ligne [PDF]).
(en) Andre Esteva, Brett Kuprel, Roberto A. Novoa et Justin Ko, « Dermatologist-level classification of skin cancer with deep neural networks », Nature, vol. 542, n^o 7639,‎ 2 février 2017, p. 115–118 (ISSN 0028-0836 et 1476-4687, PMID 28117445, PMCID PMC8382232, DOI 10.1038/nature21056, lire en ligne, consulté le 3 février 2024).
(en) Laetitia Jeancolas, Dijana Petrovska-Delacrétaz, Graziella Mangone, Badr-Eddine Benkelfat, Jean-Christophe Corvol, Marie Vidailhet, Stéphane Lehéricy et Habib Benali, « X-Vectors: New Quantitative Biomarkers for Early Parkinson's Disease Detection From Speech », Frontiers in Neuroinformatics, vol. 15,‎ 2021 (ISSN 1662-5196, DOI 10.3389/fninf.2021.578369, lire en ligne).
(en) Varun Gulshan, Lily Peng, Marc Coram et Martin C. Stumpe, « Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs », JAMA, vol. 316, n^o 22,‎ 13 décembre 2016, p. 2402 (ISSN 0098-7484, DOI 10.1001/jama.2016.17216, lire en ligne, consulté le 3 février 2024).
(en) Travers Ching, Daniel S. Himmelstein, Brett K. Beaulieu-Jones et Alexandr A. Kalinin, « Opportunities and obstacles for deep learning in biology and medicine », Journal of The Royal Society Interface, vol. 15, n^o 141,‎ avril 2018, p. 20170387 (ISSN 1742-5689 et 1742-5662, PMID 29618526, PMCID PMC5938574, DOI 10.1098/rsif.2017.0387, lire en ligne, consulté le 3 février 2024).
(en) G. S. Collins, J. B. Reitsma, D. G. Altman et K. G. M. Moons, « Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement », BMJ, vol. 350, n^o jan07 4,‎ 7 janvier 2015, g7594–g7594 (ISSN 1756-1833, DOI 10.1136/bmj.g7594, lire en ligne, consulté le 3 février 2024).
(en) Alvin Rajkomar, Eyal Oren, Kai Chen et Andrew M. Dai, « Scalable and accurate deep learning with electronic health records », npj Digital Medicine, vol. 1, n^o 1,‎ 8 mai 2018 (ISSN 2398-6352, PMID 31304302, PMCID PMC6550175, DOI 10.1038/s41746-018-0029-1, lire en ligne, consulté le 3 février 2024).
(en) Riccardo Miotto, Fei Wang, Shuang Wang et Xiaoqian Jiang, « Deep learning for healthcare: review, opportunities and challenges », Briefings in Bioinformatics, vol. 19, n^o 6,‎ 27 novembre 2018, p. 1236–1246 (ISSN 1467-5463 et 1477-4054, PMID 28481991, PMCID PMC6455466, DOI 10.1093/bib/bbx044, lire en ligne, consulté le 3 février 2024).
(en) Riccardo Miotto, Li Li, Brian A. Kidd et Joel T. Dudley, « Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records », Scientific Reports, vol. 6, n^o 1,‎ 17 mai 2016 (ISSN 2045-2322, PMID 27185194, PMCID PMC4869115, DOI 10.1038/srep26094, lire en ligne, consulté le 3 février 2024).
(en) H. Tembine, « Deep Learning Meets Game Theory: Bregman-Based Algorithms for Interactive Deep Generative Adversarial Networks », IEEE Transactions on Cybernetics,‎ 2018, p. 1–14 (DOI 10.1109/TCYB.2018.2886238, lire en ligne, consulté le 14 octobre 2019).
(en) Anindya Gupta, Philip J. Harrison, Håkan Wieslander et Nicolas Pielawski, « Deep Learning in Image Cytometry: A Review », Cytometry Part A, vol. 95, n^o 4,‎ 2019, p. 366–380 (ISSN 1552-4930, DOI 10.1002/cyto.a.23701, lire en ligne, consulté le 23 avril 2019).

epfl.ch

actu.epfl.ch

« DeepArt, l'ordinateur qui peint votre portrait », sur actu.epfl.ch, 11 avril 16 (consulté le 5 juillet 2016).

frontiersin.org

(en) Laetitia Jeancolas, Dijana Petrovska-Delacrétaz, Graziella Mangone, Badr-Eddine Benkelfat, Jean-Christophe Corvol, Marie Vidailhet, Stéphane Lehéricy et Habib Benali, « X-Vectors: New Quantitative Biomarkers for Early Parkinson's Disease Detection From Speech », Frontiers in Neuroinformatics, vol. 15,‎ 2021 (ISSN 1662-5196, DOI 10.3389/fninf.2021.578369, lire en ligne).

futuribles.com

"Deep learning" : les dessous d'une technologie de rupture, analyse prospective, Futurible.

google.fr

books.google.fr

A. Halpern et J. R. Smith (octobre 2015), « Deep Learning, Sparse Coding, and SVM for Melanoma Recognition in Dermoscopy Images », dans Machine Learning in Medical Imaging: 6th International Workshop, MLMI 2015, organisé en conjunction avec MICCAI 2015, Munich, Allemagne, 5 octobre 2015, Proceedings (Vol. 9 352, p. 118), Springer (résumé).

gouv.qc.ca

vitrinelinguistique.oqlf.gouv.qc.ca

« apprentissage profond », Grand Dictionnaire terminologique, Office québécois de la langue française (consulté le 28 janvier 2020).

harvard.edu

ui.adsabs.harvard.edu

« NASA/ADS », sur ui.adsabs.harvard.edu (consulté le 3 février 2024).

ieee.org

ieeexplore.ieee.org

(en) I. Mariolis, G. Peleka, A. Kargakos et S. Malassiotis, « Pose and category recognition of highly deformable objects using deep learning », International Conference on Advanced Robotics (ICAR), juillet 2015, p. 655-662, IEEE (résumé).
(en) H. Tembine, « Deep Learning Meets Game Theory: Bregman-Based Algorithms for Interactive Deep Generative Adversarial Networks », IEEE Transactions on Cybernetics,‎ 2018, p. 1–14 (DOI 10.1109/TCYB.2018.2886238, lire en ligne, consulté le 14 octobre 2019).

issn.org

portal.issn.org

(en) Jian Zhou et Olga G Troyanskaya, « Predicting effects of noncoding variants with deep learning–based sequence model », Nature Methods, vol. 12, n^o 10,‎ octobre 2015, p. 931–934 (ISSN 1548-7091 et 1548-7105, PMID 26301843, PMCID PMC4768299, DOI 10.1038/nmeth.3547).
(en) John Jumper, Richard Evans, Alexander Pritzel et Tim Green, « Highly accurate protein structure prediction with AlphaFold », Nature, vol. 596, n^o 7873,‎ 26 août 2021, p. 583–589 (ISSN 0028-0836 et 1476-4687, PMID 34265844, PMCID PMC8371605, DOI 10.1038/s41586-021-03819-2).
William Audureau, « Jeu de go : pour Lee Sedol, la victoire de la machine est moins tactique que psychologique », Le Monde,‎ 15 mars 2016 (ISSN 1950-6244, lire en ligne, consulté le 16 mars 2016).
(en) Dan Cireşan, Ueli Meier, Jonathan Masci et Jürgen Schmidhuber, « Multi-column deep neural network for traffic sign classification », Neural Networks, vol. 32 « Selected Papers from IJCNN 2011 »,‎ août 2012, p. 333-338 (ISSN 0893-6080, e-ISSN 1879-2782, PMID 22386783, DOI 10.1016/j.neunet.2012.02.023).
(en) Andre Esteva, Brett Kuprel, Roberto A. Novoa et Justin Ko, « Dermatologist-level classification of skin cancer with deep neural networks », Nature, vol. 542, n^o 7639,‎ 2 février 2017, p. 115–118 (ISSN 0028-0836 et 1476-4687, PMID 28117445, PMCID PMC8382232, DOI 10.1038/nature21056, lire en ligne, consulté le 3 février 2024).
(en) Laetitia Jeancolas, Dijana Petrovska-Delacrétaz, Graziella Mangone, Badr-Eddine Benkelfat, Jean-Christophe Corvol, Marie Vidailhet, Stéphane Lehéricy et Habib Benali, « X-Vectors: New Quantitative Biomarkers for Early Parkinson's Disease Detection From Speech », Frontiers in Neuroinformatics, vol. 15,‎ 2021 (ISSN 1662-5196, DOI 10.3389/fninf.2021.578369, lire en ligne).
(en) Varun Gulshan, Lily Peng, Marc Coram et Martin C. Stumpe, « Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs », JAMA, vol. 316, n^o 22,‎ 13 décembre 2016, p. 2402 (ISSN 0098-7484, DOI 10.1001/jama.2016.17216, lire en ligne, consulté le 3 février 2024).
(en) Travers Ching, Daniel S. Himmelstein, Brett K. Beaulieu-Jones et Alexandr A. Kalinin, « Opportunities and obstacles for deep learning in biology and medicine », Journal of The Royal Society Interface, vol. 15, n^o 141,‎ avril 2018, p. 20170387 (ISSN 1742-5689 et 1742-5662, PMID 29618526, PMCID PMC5938574, DOI 10.1098/rsif.2017.0387, lire en ligne, consulté le 3 février 2024).
(en) G. S. Collins, J. B. Reitsma, D. G. Altman et K. G. M. Moons, « Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement », BMJ, vol. 350, n^o jan07 4,‎ 7 janvier 2015, g7594–g7594 (ISSN 1756-1833, DOI 10.1136/bmj.g7594, lire en ligne, consulté le 3 février 2024).
(en) Alvin Rajkomar, Eyal Oren, Kai Chen et Andrew M. Dai, « Scalable and accurate deep learning with electronic health records », npj Digital Medicine, vol. 1, n^o 1,‎ 8 mai 2018 (ISSN 2398-6352, PMID 31304302, PMCID PMC6550175, DOI 10.1038/s41746-018-0029-1, lire en ligne, consulté le 3 février 2024).
(en) Riccardo Miotto, Fei Wang, Shuang Wang et Xiaoqian Jiang, « Deep learning for healthcare: review, opportunities and challenges », Briefings in Bioinformatics, vol. 19, n^o 6,‎ 27 novembre 2018, p. 1236–1246 (ISSN 1467-5463 et 1477-4054, PMID 28481991, PMCID PMC6455466, DOI 10.1093/bib/bbx044, lire en ligne, consulté le 3 février 2024).
(en) Riccardo Miotto, Li Li, Brian A. Kidd et Joel T. Dudley, « Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records », Scientific Reports, vol. 6, n^o 1,‎ 17 mai 2016 (ISSN 2045-2322, PMID 27185194, PMCID PMC4869115, DOI 10.1038/srep26094, lire en ligne, consulté le 3 février 2024).
(en) Anindya Gupta, Philip J. Harrison, Håkan Wieslander et Nicolas Pielawski, « Deep Learning in Image Cytometry: A Review », Cytometry Part A, vol. 95, n^o 4,‎ 2019, p. 366–380 (ISSN 1552-4930, DOI 10.1002/cyto.a.23701, lire en ligne, consulté le 23 avril 2019).

jamanetwork.com

jama.jamanetwork.com

(en) Varun Gulshan, Lily Peng, Marc Coram et Martin C. Stumpe, « Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs », JAMA, vol. 316, n^o 22,‎ 13 décembre 2016, p. 2402 (ISSN 0098-7484, DOI 10.1001/jama.2016.17216, lire en ligne, consulté le 3 février 2024).

legifrance.gouv.fr

Commission d'enrichissement de la langue française, « Vocabulaire de l’intelligence artificielle (liste de termes, expressions et définitions adoptés) », Journal officiel de la République française n^o 0285 du 9 décembre 2018 [lire en ligne] [PDF].

lemonde.fr

David Larousserie et Morgane Tual, « Première défaite d’un professionnel du go contre une intelligence artificielle », Le Monde,‎ 27 janvier 2016 (lire en ligne).
William Audureau, « Jeu de go : pour Lee Sedol, la victoire de la machine est moins tactique que psychologique », Le Monde,‎ 15 mars 2016 (ISSN 1950-6244, lire en ligne, consulté le 16 mars 2016).

lemondeinformatique.fr

« OpenAI lance une version allégée de son générateur automatisé de textes GPT-2 », sur Le Monde Informatique, 18 février 2019 (consulté le 9 octobre 2024)

madmoizelle.com

« Le porno avec des stars incrustées dedans n’est pas le bienvenu sur Internet », Madmoizelle,‎ 8 février 2018 (lire en ligne, consulté le 8 février 2018).

mdpi.com

(en) Rose Moskolai, Wahabou Abdou, Albert Dipanda et Kolyang, « Application of Deep Learning Architectures for Satellite Image Time Series Prediction: A Review », Remote Sensing, vol. 13, n^o 23,‎ 2021, p. 4822 (lire en ligne).

nature.com

B. Alipanahi, A. Delong, M. T. Weirauch et B. J. Frey (2015), « Predicting the sequence specificities of DNA-and RNA-binding proteins by deep learning », Nature Biotechnology (résumé).
(en) Andre Esteva, Brett Kuprel, Roberto A. Novoa et Justin Ko, « Dermatologist-level classification of skin cancer with deep neural networks », Nature, vol. 542, n^o 7639,‎ 2 février 2017, p. 115–118 (ISSN 0028-0836 et 1476-4687, PMID 28117445, PMCID PMC8382232, DOI 10.1038/nature21056, lire en ligne, consulté le 3 février 2024).
(en) Alvin Rajkomar, Eyal Oren, Kai Chen et Andrew M. Dai, « Scalable and accurate deep learning with electronic health records », npj Digital Medicine, vol. 1, n^o 1,‎ 8 mai 2018 (ISSN 2398-6352, PMID 31304302, PMCID PMC6550175, DOI 10.1038/s41746-018-0029-1, lire en ligne, consulté le 3 février 2024).
(en) Riccardo Miotto, Li Li, Brian A. Kidd et Joel T. Dudley, « Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records », Scientific Reports, vol. 6, n^o 1,‎ 17 mai 2016 (ISSN 2045-2322, PMID 27185194, PMCID PMC4869115, DOI 10.1038/srep26094, lire en ligne, consulté le 3 février 2024).

nih.gov

ncbi.nlm.nih.gov

(en) Jian Zhou et Olga G Troyanskaya, « Predicting effects of noncoding variants with deep learning–based sequence model », Nature Methods, vol. 12, n^o 10,‎ octobre 2015, p. 931–934 (ISSN 1548-7091 et 1548-7105, PMID 26301843, PMCID PMC4768299, DOI 10.1038/nmeth.3547).
(en) John Jumper, Richard Evans, Alexander Pritzel et Tim Green, « Highly accurate protein structure prediction with AlphaFold », Nature, vol. 596, n^o 7873,‎ 26 août 2021, p. 583–589 (ISSN 0028-0836 et 1476-4687, PMID 34265844, PMCID PMC8371605, DOI 10.1038/s41586-021-03819-2).
(en) Dan Cireşan, Ueli Meier, Jonathan Masci et Jürgen Schmidhuber, « Multi-column deep neural network for traffic sign classification », Neural Networks, vol. 32 « Selected Papers from IJCNN 2011 »,‎ août 2012, p. 333-338 (ISSN 0893-6080, e-ISSN 1879-2782, PMID 22386783, DOI 10.1016/j.neunet.2012.02.023).
(en) Andre Esteva, Brett Kuprel, Roberto A. Novoa et Justin Ko, « Dermatologist-level classification of skin cancer with deep neural networks », Nature, vol. 542, n^o 7639,‎ 2 février 2017, p. 115–118 (ISSN 0028-0836 et 1476-4687, PMID 28117445, PMCID PMC8382232, DOI 10.1038/nature21056, lire en ligne, consulté le 3 février 2024).
(en) Travers Ching, Daniel S. Himmelstein, Brett K. Beaulieu-Jones et Alexandr A. Kalinin, « Opportunities and obstacles for deep learning in biology and medicine », Journal of The Royal Society Interface, vol. 15, n^o 141,‎ avril 2018, p. 20170387 (ISSN 1742-5689 et 1742-5662, PMID 29618526, PMCID PMC5938574, DOI 10.1098/rsif.2017.0387, lire en ligne, consulté le 3 février 2024).
(en) Alvin Rajkomar, Eyal Oren, Kai Chen et Andrew M. Dai, « Scalable and accurate deep learning with electronic health records », npj Digital Medicine, vol. 1, n^o 1,‎ 8 mai 2018 (ISSN 2398-6352, PMID 31304302, PMCID PMC6550175, DOI 10.1038/s41746-018-0029-1, lire en ligne, consulté le 3 février 2024).
(en) Riccardo Miotto, Fei Wang, Shuang Wang et Xiaoqian Jiang, « Deep learning for healthcare: review, opportunities and challenges », Briefings in Bioinformatics, vol. 19, n^o 6,‎ 27 novembre 2018, p. 1236–1246 (ISSN 1467-5463 et 1477-4054, PMID 28481991, PMCID PMC6455466, DOI 10.1093/bib/bbx044, lire en ligne, consulté le 3 février 2024).
(en) Riccardo Miotto, Li Li, Brian A. Kidd et Joel T. Dudley, « Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records », Scientific Reports, vol. 6, n^o 1,‎ 17 mai 2016 (ISSN 2045-2322, PMID 27185194, PMCID PMC4869115, DOI 10.1038/srep26094, lire en ligne, consulté le 3 février 2024).

oup.com

academic.oup.com

(en) Riccardo Miotto, Fei Wang, Shuang Wang et Xiaoqian Jiang, « Deep learning for healthcare: review, opportunities and challenges », Briefings in Bioinformatics, vol. 19, n^o 6,‎ 27 novembre 2018, p. 1236–1246 (ISSN 1467-5463 et 1477-4054, PMID 28481991, PMCID PMC6455466, DOI 10.1093/bib/bbx044, lire en ligne, consulté le 3 février 2024).

royalsocietypublishing.org

(en) Travers Ching, Daniel S. Himmelstein, Brett K. Beaulieu-Jones et Alexandr A. Kalinin, « Opportunities and obstacles for deep learning in biology and medicine », Journal of The Royal Society Interface, vol. 15, n^o 141,‎ avril 2018, p. 20170387 (ISSN 1742-5689 et 1742-5662, PMID 29618526, PMCID PMC5938574, DOI 10.1098/rsif.2017.0387, lire en ligne, consulté le 3 février 2024).

sciencesetavenir.fr

Olivier Lascar, « Le système de reconnaissance visuelle Horus destiné aux aveugles doit tout au "deep learning" », sur Sciences et Avenir.fr, 9 janvier 2017 (consulté le 21 février 2018).

vice.com

motherboard.vice.com

(en-US) « Facial Recognition for Porn Stars Is a Privacy Nightmare Waiting to Happen », Motherboard,‎ 11 octobre 2017 (lire en ligne, consulté le 26 janvier 2018).

web.archive.org

(en) Matthew Veres, Griffin Lacey et Graham W. Taylor, « Deep Learning Architectures for Soil Property Prediction », dans 2015 12th Conference on Computer and Robot Vision (CRV), 2015 (ISBN 978-1-4799-1986-4, DOI 10.1109/CRV.2015.15 , lire en ligne [PDF]).

wiley.com

onlinelibrary.wiley.com

(en) Anindya Gupta, Philip J. Harrison, Håkan Wieslander et Nicolas Pielawski, « Deep Learning in Image Cytometry: A Review », Cytometry Part A, vol. 95, n^o 4,‎ 2019, p. 366–380 (ISSN 1552-4930, DOI 10.1002/cyto.a.23701, lire en ligne, consulté le 23 avril 2019).

youtube.com

USI Events, « Deep learning - Yann LeCun, à l'USI », sur YouTube.