Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.
AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.
Couvre les modèles générateurs en mettant l'accent sur l'auto-attention et les transformateurs, en discutant des méthodes d'échantillonnage et des moyens empiriques.
Explore l'apprentissage automatique dans les simulations de dynamique moléculaire, s'attaquant à la malédiction de la dimensionnalité, de la représentation du réseau neuronal et de l'estimation des champs de force.
Explore le modèle de Hopfield stochastique, les neurones bruyants, les probabilités de tir, la récupération de mémoire et les équations de chevauchement dans les réseaux d'attraction.
Explore les réseaux neuraux pour la tomographie quantique de l'état, en se concentrant sur les systèmes hautement enchevêtrés, les programmes de formation et l'ajustement excessif.
Explore une approche de réseau neuronal à la tomographie d'état quantique utilisant RBM, présentant des prédictions précises et des applications potentielles au-delà de RBM.
Explique le regroupement des moyennes k, en attribuant des points de données à des grappes en fonction de la proximité et en minimisant les distances carrées à l'intérieur des grappes.
Couvre les réseaux neuronaux convolutionnels, y compris les couches, les stratégies de formation, les architectures standard, les tâches comme la segmentation sémantique, et les astuces d'apprentissage profond.
Explore l'apprentissage par machine contradictoire, les réseaux d'adversaires génériques et les défis des exemples d'adversaires dans l'optimisation des données.
Discuter de la façon dont l'apprentissage de caractéristiques éparses peut conduire à une suradaptation dans les réseaux neuraux malgré des preuves empiriques de généralisation.
Explore l'optimisation de la formation contradictoire, la mise en œuvre pratique, l'interprétation, l'équité, la distance de Wasserstein et les GAN de Wasserstein.
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.
Explore les règles de voisinage les plus proches, les défis de l'algorithme k-NN, le classificateur Bayes et l'algorithme k-means pour le regroupement.
