Explore l'IA très bénéfique, en alignant les objectifs de l'IA avec les préférences et les comportements humains, en illustrant les complexités à travers des exemples comme la classification d'image et la récupération du café.
Couvre les Perceptrons multicouches, les neurones artificiels, les fonctions d'activation, la notation matricielle, la flexibilité, la régularisation, la régression et les tâches de classification.
Explore l'importance de la gouvernance mondiale dans l'intelligence artificielle, en mettant l'accent sur les pratiques éthiques, les questions de partialité et la confiance dans les technologies de l'intelligence artificielle.
Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.
Étudie les défis liés à l'élaboration de systèmes normatifs de recommandations d'information et les considérations éthiques en matière d'IA, de journalisme et de diversité.
S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.
Explore l'apprentissage bio-inspiré avec des réseaux neuronaux et des algorithmes génétiques, couvrant la structure, la formation et les applications pratiques.
Explore les défis et les distinctions entre l'autonomie humaine et artificielle, en abordant les implications éthiques et les conditions requises pour une véritable autonomie.
Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.
Explore le rôle de l'unité Alice de l'EPFL dans l'apprentissage automatique et l'IA en Europe, en mettant l'accent sur les progrès de la recherche et la collaboration au sein de la communauté de l'IA.
Couvre les fondamentaux de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur les tâches de classification d'images à l'aide de l'intelligence artificielle.
Explore l'apprentissage à partir de données interconnectées avec des graphiques, couvrant les objectifs de recherche modernes de ML, les méthodes pionnières, les applications interdisciplinaires, et la démocratisation du graphique ML.
