Couvre les objets fibreux, le levage des cornes, et l'adjonction entre quasi-catégories et complexes kan, ainsi que la généralisation des catégories et complexes kan.
Déplacez-vous dans la communauté de l'architecture open-source, en mettant l'accent sur BlenderBIM et divers outils utilisés dans le domaine de l'architecture.
Couvre l'informatique scientifique, l'automatisation des processus et la gestion des données dans les applications informatiques dans différents secteurs.
Explore l'évolution de l'analyse des données à l'IA et au ML, en mettant l'accent sur les mégadonnées, l'apprentissage automatique et l'interaction avec les médias sociaux.
Détails d'un projet de stage axé sur l'amélioration de la précision de la génération de code en utilisant de grands modèles de langage et un nouveau cadre appelé EPIGEN.
Introduit des concepts d'apprentissage automatique appliqués tels que la collecte de données, l'ingénierie des caractéristiques, la sélection des modèles et les mesures d'évaluation du rendement.
Introduit le cours d'analyse des données appliquées à l'EPFL, couvrant un large éventail de sujets d'analyse des données et mettant l'accent sur l'apprentissage continu en sciences des données.
Déplacez-vous dans l'intersection de la physique et des données dans les modèles d'apprentissage automatique, couvrant des sujets tels que les champs d'expansion des grappes atomiques et l'apprentissage non supervisé.
Explore les données sur la consommation d'eau à Genève, y compris les graphiques sur la consommation et les pertes, les ensembles de données disponibles et les phases de traitement des données.
Explore l'apprentissage à partir de données interconnectées avec des graphiques, couvrant les objectifs de recherche modernes de ML, les méthodes pionnières, les applications interdisciplinaires, et la démocratisation du graphique ML.
Discute des arbres de décision et des forêts aléatoires, en se concentrant sur leur structure, leur optimisation et leur application dans les tâches de régression et de classification.
Explorer la durée d'exécution des requêtes pour les moteurs de base de données compilés par JIT en utilisant l'apprentissage actif et les résultats expérimentaux.
