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.
Explore le biclustering dans les matrices de données, en identifiant des modèles de comportement cohérents et en discutant des méthodes de calcul pour l'analyse.
Explore la prise de décision dans l'incertitude, en se concentrant sur la thèse de doctorat posthume de Kilian Schindler sur l'optimisation stochastique évolutive et la réduction de scénarios.
Explore les concepts avancés de coloration graphique, y compris la coloration plantée, le seuil de rigidité, et les variables gelées en points fixes BP.
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.
Couvre l'algorithme de maximisation des attentes et les techniques de regroupement, en mettant l'accent sur l'échantillonnage Gibbs et l'équilibre détaillé.
Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.
Couvre l'exploitation efficace des données grâce à des méthodes de clustering et à l'optimisation des rendements du marché à l'aide du clustering d'actifs.
Introduit des bases d'apprentissage automatique, couvrant la segmentation des données, le regroupement, la classification, et des applications pratiques comme la classification d'image et la similarité du visage.
Se penche sur la représentation symbolique des espaces d'état à l'aide de diagrammes de décision pour les réseaux Petri de haut niveau, présentant des techniques d'encodage efficaces et des résultats de référence.
Couvre l'évaluation des méthodes de regroupement, y compris le regroupement des moyennes K et l'utilisation de mesures d'évaluation pour déterminer le nombre optimal de regroupements.
Couvre le sous-graphe le plus sparsest et le sous-graphe le plus Densest, en mettant l'accent sur les algorithmes de regroupement et d'approximation de corrélation.
Explore les méthodes de discrétisation, y compris les techniques d'égale largeur et d'égale fréquence, ainsi que les statistiques x2 pour les tests d'indépendance.
Explore Transductive Support Vector Machine pour le clustering semi-supervisé, visant une erreur nulle sur les points étiquetés et les points non étiquetés bien séparés.
Plongez dans le deep learning pour la classification des images et des objets dans les systèmes IoT, y compris les techniques de clustering et les problèmes de confidentialité.
Explore le projet EXSCALATE4COV, axé sur la découverte informatique de médicaments pour les traitements COVID-19 et la collaboration entre le milieu universitaire et l'industrie.
