Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Graph
Search

Cours

EE-411: Fundamentals of inference and learning

Résumé

This is an introductory course in the theory of statistics, inference, and machine learning, with an emphasis on theoretical understanding & practical exercises. The course will combine, and alternate, between mathematical theoretical foundations and practical computational aspects in python.

Séances de cours

Enseignant·e

Florent Gérard Krzakala

Source officielle

https://edu.epfl.ch/coursebook/fr/fundamentals-of-inference-and-learning-EE-411

Page Moodle

http://go.epfl.ch/EE-411

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Résumé

Séances de cours

Enseignant·e

Florent Gérard Krzakala

Source officielle

https://edu.epfl.ch/coursebook/fr/fundamentals-of-inference-and-learning-EE-411

Page Moodle

http://go.epfl.ch/EE-411

À propos de ce résultat

Séances de ce cours (30)

Fondamentaux de l'inférence et de l'apprentissage

Couvre la théorie des statistiques, de l'inférence et de l'apprentissage automatique avec des exercices pratiques en Python.

Toutes les probabilités : Notations et PDF

Couvre les principes fondamentaux de la théorie des probabilités, y compris les notations pour les distributions conjointes et conditionnelles.

Modèles linéaires de descente et d'intro de gradient proximal

Couvre la descente du gradient proximal et les modèles linéaires dans l'analyse de régression.

Modèles linéaires: Ridge, OLS et LASSO

Couvre des modèles linéaires comme Ridge, OLS et LASSO, expliquant les valeurs singulières et l'analyse de régression.

Décomposition de valeur singulière : Ridge et LASSO

Couvre le concept de décomposition de la valeur singulière et son application dans les techniques de régression.

Afficher plus

Cours associés (30)

PHYS-467: Machine learning for physicists

Machine learning and data analysis are becoming increasingly central in sciences including physics. In this course, fundamental principles and methods of machine learning will be introduced and practised. ...

EE-556: Mathematics of data: from theory to computation

This course provides an overview of key advances in continuous optimization and statistical analysis for machine learning. We review recent learning formulations and models as well as their guarantees

DH-406: Machine learning for DH

This course aims to introduce the basic principles of machine learning in the context of the digital humanities. We will cover both supervised and unsupervised learning techniques, and study and implement methods to analyze diverse data types, such as imag ...

CS-433: Machine learning

Machine learning methods are becoming increasingly central in many sciences and applications. In this course, fundamental principles and methods of machine learning will be introduced, analyzed and practically implemented. ...

EE-566: Adaptation and learning

In this course, students learn to design and master algorithms and core concepts related to inference and learning from data and the foundations of adaptation and learning theories with applications.

Afficher plus