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

Séance de cours

Introduction à l'apprentissage automatique

Dans cours

CH-234: Organic functions and reactions II

To develop basic understanding of the reactivity of aromatic and heteroaromatic compounds. To develop a knowledge of a class of pericyclic reactions. To apply them in the context of the synthesis. ...

Description

Cette séance de cours couvre les bases de l'apprentissage automatique, y compris l'apprentissage supervisé et non supervisé, l'évaluation des modèles et la sélection des caractéristiques. Il se penche également sur des sujets avancés tels que les réseaux neuronaux et l'apprentissage profond.

Enseignant·e·s (2)

Felix Daniel Bobbink

Nicolai Cramer

Nicolai Cramer est né à Stuttgart, en Allemagne ; il a étudié la chimie à l'université de Stuttgart, où il a obtenu son diplôme en 2003, et son doctorat en 2005 sous la direction du professeur Sabine Laschat. Après un stage de recherche à l'université d'Osaka, au Japon, en 2006 il a rejoint le groupe du professeur Barry M. Trost à l'université de Stanford en tant que postdoc. A partir de 2007, il a travaillé sur son habilitation à l'ETH Zurich sous la direction du Professeur Erick M. Carreira et a reçu la venia legendi en 2010. En 2010, il a été nommé comme professeur assistant à l'EPF de Lausanne et a été promu professeur associé en 2013 et professeur ordinaire en 2015. Son principal programme de recherche englobe les transformations énantiosélectives catalysées par des métaux et leur mise en œuvre pour la synthèse de molécules biologiquement actives.Profile (Angew. Chem. Int. Ed.) CV

Source officielle

Concepts associés (23)

Apprentissage automatique

L'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.

Apprentissage non supervisé

Dans le domaine informatique et de l'intelligence artificielle, l'apprentissage non supervisé désigne la situation d'apprentissage automatique où les données ne sont pas étiquetées (par exemple étiquetées comme « balle » ou « poisson »). Il s'agit donc de découvrir les structures sous-jacentes à ces données non étiquetées. Puisque les données ne sont pas étiquetées, il est impossible à l'algorithme de calculer de façon certaine un score de réussite.

Apprentissage de représentations

En apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.

Apprentissage auto-supervisé

L'apprentissage auto-supervisé ("self-supervised learning" en anglais) (SSL) est une méthode d'apprentissage automatique. Il apprend à partir d'échantillons de données non étiquetés. Il peut être considéré comme une forme intermédiaire entre l'apprentissage supervisé et non supervisé. Il est basé sur un réseau de neurones artificiels. Le réseau de neurones apprend en deux étapes. Tout d'abord, la tâche est résolue sur la base de pseudo-étiquettes qui aident à initialiser les poids du réseau.

Apprentissage par renforcement

En intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome ( robot, agent conversationnel, personnage dans un jeu vidéo), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. L'agent est plongé au sein d'un environnement et prend ses décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative.

Afficher plus

Séances de cours associées (52)

Perception : Approches fondées sur les données

Explore la perception dans l'apprentissage profond pour les véhicules autonomes, couvrant la classification d'image, les méthodes d'optimisation, et le rôle de la représentation dans l'apprentissage automatique.

Introduction à l'apprentissage automatique

Fournit un aperçu de l'apprentissage automatique, y compris le contexte historique, les tâches clés, et les applications du monde réel.

Algorithmes gradués dans l'apprentissage à haute dimension

Fournit des informations sur les algorithmes basés sur les gradients, les mystères d'apprentissage profond, et les défis des problèmes non convexes.

Représentation de l'image

Explore l'évolution de la représentation de l'image, les défis dans l'apprentissage supervisé, les avantages de l'apprentissage auto-supervisé, et les progrès récents dans SSL.

Aperçu de l'apprentissage supervisé

Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.

Afficher plus

Concepts associés (23)

Apprentissage automatique

Apprentissage non supervisé

Apprentissage de représentations

Apprentissage auto-supervisé

Apprentissage par renforcement

Afficher plus