Résume les cartes de Kohonen, qui couvrent l'initialisation, l'échantillonnage, l'appariement des similarités, des exemples et des applications dans l'apprentissage automatique et la classification des données.
Couvre les bases de l'apprentissage automatique, les défis en matière de déploiement, les attaques contradictoires et les préoccupations en matière de protection de la vie privée.
Explore des sujets avancés dans l'apprentissage automatique, en se concentrant sur les extensions SVR et l'optimisation hyperparamétrique, y compris Nu-SVR et RVR.
Explore les applications d'apprentissage automatique dans les simulations atomistes, en mettant l'accent sur la modélisation de l'eau, les potentiels de réseaux neuronaux et la reconnaissance des structures.
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 l'application de la physique statistique à la compréhension de l'apprentissage profond en mettant l'accent sur les réseaux neuronaux et les défis de l'apprentissage automatique.
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.
Explore les applications d'apprentissage automatique dans l'analyse du système terrestre à l'aide de données de télédétection, en mettant l'accent sur l'interprétation automatique de l'image et l'IA explicable.
Explore la caractéristique universelle de la formation de prix intrajournalière en utilisant des techniques d'apprentissage en profondeur pour prévoir les changements de prix en fonction de l'historique des flux d'ordres.
Explore l'ensachage en tant que méthode de régularisation dans l'apprentissage en profondeur, en formant plusieurs variantes de modèles sur différents sous-ensembles de données pour améliorer la généralisation.
Explore la méthode de fonction aléatoire pour résoudre les PDE à l'aide d'algorithmes d'apprentissage automatique pour approximer efficacement les fonctions à haute dimension.
Couvre les techniques d'apprentissage supervisées et non supervisées dans l'apprentissage automatique, en mettant en évidence leurs applications dans la finance et l'analyse environnementale.
Explore les noyaux pour simplifier la représentation des données et la rendre linéairement séparable dans les espaces de fonctionnalités, y compris les fonctions populaires et les exercices pratiques.
