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

Modèles stochastiques pour les communications

Dans cours

COM-300: Modèles stochastiques pour les communications

L'objectif de ce cours est la maitrise des outils des processus stochastiques utiles pour un ingénieur travaillant dans les domaines des systèmes de communication, de la science des données et de l'informatique. ...

Description

Cette séance de cours couvre des modèles stochastiques pour les systèmes de communication, se concentrant sur les chaînes irréductibles, les états récurrents et les probabilités de transition. Il traite du comportement des systèmes avec des états récurrents positifs et de l'impact des différents paramètres sur la performance du système.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e

Patrick Thiran

Patrick Thiran is a full professor in network and systems theory at the School of Computer and Communication Sciences at EPFL. He holds an electrical engineering degree from the Université Catholique de Louvain, Louvain-la-Neuve, Belgium, an M.Sc. degree in electrical engineering from the University of California at Berkeley, USA, and he received the PhD degree from EPFL, in 1996. He became an adjunct professor in 1998, an assistant professor in 2002, an associate professor in 2006 and a full professor in 2011. He was with Sprint Advanced Technology Labs in Burlingame, California, in 2000-01. His research interests are in communication and social networks, performance analysis and stochastic models. He is currently active in the analysis and design of wireless and PLC networks (scaling laws, medium access control), in network monitoring (network tomography, multi-layer networks), and data-driven network science. He also contributed to network calculus and to the theory of locally coupled neural networks and self-organizing maps. He served as an associate editor for the IEEE Transactions on Circuits and Systems in 1997-99 and for the IEEE/ACM Transactions on Networking in 2006-10. He is currently on the editorial board of the IEEE Journal on Selected Areas in Communication. He is/was on the program committee of different conferences in networking, including ACM Sigcomm, Sigmetrics, IMC, CoNext and IEEE Infocom. He was TPC chair of AMC IMC 2011 and CoNext 2012. He is a Fellow of the Belgian American Educational Foundation and of the IEEE. He received the 1996 EPFL Doctoral Prize and the 2008 Crédit Suisse Teaching Award.

Source officielle

Concepts associés (16)

Réseau de neurones récurrents

Un réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.

Calcul par réservoir

Le calcul par réservoir (de l'anglais reservoir computing) est un cadre de calcul dérivé de la théorie des réseaux de neurones récurrents qui mappe un ou plusieurs signaux d'entrée dans des espaces de calcul de dimension supérieure grâce à la dynamique d'un système fixe et non linéaire appelé réservoir . Une fois que le signal d'entrée est introduit dans le réservoir, qui est traité comme une « boîte noire », un simple mécanisme de lecture est entraîné pour lire l'état du réservoir et le mapper à la sortie souhaitée.

Vanishing gradient problem

In machine learning, the vanishing gradient problem is encountered when training artificial neural networks with gradient-based learning methods and backpropagation. In such methods, during each iteration of training each of the neural networks weights receives an update proportional to the partial derivative of the error function with respect to the current weight. The problem is that in some cases, the gradient will be vanishingly small, effectively preventing the weight from changing its value.

Attention (machine learning)

Machine learning-based attention is a mechanism mimicking cognitive attention. It calculates "soft" weights for each word, more precisely for its embedding, in the context window. It can do it either in parallel (such as in transformers) or sequentially (such as recursive neural networks). "Soft" weights can change during each runtime, in contrast to "hard" weights, which are (pre-)trained and fine-tuned and remain frozen afterwards. Multiple attention heads are used in transformer-based large language models.

TI-83

La TI-83 est une calculatrice graphique programmable commercialisée par Texas Instruments. Elle possède de nombreuses fonctionnalités, parmi lesquelles des graphes de fonctions, modes polaire/paramétrique/séquentiel, des fonctions statistiques, trigonométriques et algébriques. La TI-83 est une mise à jour de la TI-82. Elle est la première calculatrice TI à supporter d'office le langage assembleur. En effet, la TI-85 et la TI-82 supportent l'assembleur, mais seulement après leur avoir envoyé une sauvegarde spéciale (hackée) de la mémoire.

Afficher plus

Séances de cours associées (7)

Chaînes Markov: Classification de l'État Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la classification des états dans les chaînes Markov à temps discret.

Chaînes Markov: Classification de l'État Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la classification des états dans les chaînes Markov.

Modèles stochastiques pour les communications Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les fondamentaux des modèles stochastiques de communication, en mettant l'accent sur les chaînes Markov et les processus Poisson.

Distributions invariantes: Chaînes Markov Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les distributions invariantes, les états récurrents et la convergence dans les chaînes de Markov, y compris des applications pratiques telles que PageRank dans Google.

Comportement asymptotique des chaînes de Markov Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les états récurrents, les distributions invariantes, la convergence vers l'équilibre et l'algorithme PageRank.

Afficher plus

Concepts associés (16)

Réseau de neurones récurrents

Calcul par réservoir

Vanishing gradient problem

Attention (machine learning)

TI-83

Afficher plus