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.
S'inscrit dans le projet Time Machine de Lausanne, mettant l'accent sur l'histoire urbaine numérique et la création de cartes historiques interactives.
Explore les réseaux neuronaux récurrents pour les données comportementales, couvrant le repérage de connaissances profondes, les réseaux LSTM, GRU, le réglage hyperparamétrique et les tâches de prévision de séries chronologiques.
Comparer les algorithmes K-Means et Spectral Clustering, en mettant en évidence leurs différences et leurs applications pratiques dans le regroupement des comportements des élèves.
Explore la recherche approfondie des connaissances et son application pour prédire les résultats d'apprentissage des élèves à l'aide de réseaux neuronaux et de fonctions de perte.
Introduit 'Foundations of Digital Humanities', en mettant l'accent sur la collaboration, la structure des cours, les laboratoires, les programmes et les critères d'évaluation.
La série offre une formation à des experts en éducation numérique, couvrant le LMS, les salles de classe inversées, l'intégration de contenu et le lancement de cours en ligne.
Couvre les bases de la géomécanique computationnelle, y compris la poroélasticité, la plasticité et les méthodes numériques pour résoudre les problèmes géotechniques.
Couvre les bases du traitement des flux de données, y compris des outils comme Apache Storm et Kafka, des concepts clés tels que le temps d'événement et les opérations de fenêtre, et les défis du traitement des flux.
Déplacez-vous dans les courbes de repérage et d'apprentissage des connaissances bayésiennes, explorant la prédiction des connaissances des élèves au fil du temps et l'importance d'une mesure précise du rendement.
Explore les sources d'injustice dans l'apprentissage automatique, l'importance des mesures d'équité et l'évaluation des prédictions des modèles à l'aide de diverses mesures d'équité.
Couvre la mise en place de réunions Zoom, la gestion d'instances sur AWS, la création de billets de blog, la gestion d'utilisateurs et de groupes, et l'utilisation de fonctions de recherche avancée.
