Passer au contenu principal

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

Graph
Search

Recherche

Afficher tous les résultats pour

Accueil

Cours

EE-566: Adaptation and learning

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de ce cours (28)

Risques d'entropie croisée régularisés

Explore le risque interentropie régularisé dans les réseaux neuronaux, couvrant les processus de formation et les défis dans les réseaux profonds.

Gradient Descent: Opérateur proximal et stratégies de taille progressive

Explore l'opérateur proximal, la descente en gradient et les stratégies de taille progressive pour réduire au minimum les fonctions de risque.

Optimisation stochastique : Algorithmes et méthodes

Explore les algorithmes d'optimisation stochastique et les méthodes pour les problèmes convexes avec des risques lisses et non lisses.

Optimisation stochastique et méthodes de graduation adaptative

Explore l'optimisation stochastique, les méthodes de gradient adaptatif, les systèmes de recommandation et la factorisation matricielle dans les matrices d'évaluation des éléments utilisateurs.

Méthodes de graduation adaptative: Partie 1

Explore les méthodes de gradient adaptatif et leur impact sur les scénarios d'optimisation, y compris AdaGrad, ADAM et RMSprop.

Bruit de graduation : Risques lisses et non lisses

Explore l'impact du bruit de gradient sur les algorithmes d'optimisation, en se concentrant sur les fonctions de risque lisses et non lisses et la dérivation des moments de bruit de gradient.

Analyse de convergence: Algorithmes progressifs stochastiques

Explore l'analyse de convergence d'algorithmes stochastiques de gradient sous différents modes opérationnels et séquences d'étapes.

Inférence moyenne-square-Error

Couvre le concept d'inférence moyenne-carré-erreur et d'estimateurs optimaux pour les problèmes d'inférence en utilisant différents critères de conception.

Page 2 sur 2