Séance de cours

Tomographie quantique d'état : approche de réseau neuronal

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Séances de cours associées (64)

Systèmes de connaissances non conceptuels

Plonge dans l'impact de l'apprentissage profond sur les systèmes de connaissances non conceptuels et les progrès dans les transformateurs et les réseaux antagonistes génératifs.

Réseaux neuronaux profonds : formation et optimisation

Explore l'entraînement, l'optimisation, la prévention des surajustements et différentes architectures de réseau.

Récapitulation des réseaux neuraux : fonctions d'activation

Couvre les bases des réseaux neuronaux, des fonctions d'activation, de la formation, du traitement d'image, des CNN, de la régularisation et des méthodes de réduction de dimensionnalité.

Deep Learning Blocks Buildings

Couvre les éléments fondamentaux de l'apprentissage profond, y compris les tenseurs, la rétropropagation et PyTorch.

Comprendre l'apprentissage automatique : des modèles parfaitement solubles

Explore l'apprentissage automatique à travers des modèles solvables, couvrant la complexité des échantillons, les réseaux neuronaux et les lacunes de calcul.

Réseaux neuronaux : formation et optimisation

Explore la formation et l'optimisation des réseaux neuronaux, en abordant des défis tels que les fonctions de perte non convexes et les minima locaux.

Modélisation neuronale: des systèmes sensoriels au comportement

Explore la modélisation neuronale des systèmes sensoriels et du comportement à l'aide de réseaux neuronaux profonds et de réseaux axés sur les tâches.

Deep Learning: Représentations de données et réseaux neuraux

Couvre les représentations de données, le sac de mots, les histogrammes, le prétraitement des données et les réseaux neuronaux.

Différenciation automatique : BackProp revisitée

Discute de la différenciation automatique, en mettant l'accent sur la différenciation en mode inverse pour optimiser les filtres de couche convolutifs par descente de gradient.

Optimisation des réseaux neuraux

Explore l'optimisation des réseaux neuronaux, y compris la rétropropagation, la normalisation des lots, l'initialisation du poids et les stratégies de recherche d'hyperparamètres.

Modèles génériques basés sur les scores

Déplacez-vous dans des modèles générateurs basés sur les scores, explorant les distributions naturelles d'apprentissage et l'impact de l'architecture de réseau neuronal sur la robustesse.

Méthodes de noyau: Réseaux neuronaux

Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.

Dynamique quantique à plusieurs corps avec des réseaux neuraux artificiels

Explore la dynamique quantique de plusieurs corps à l'aide de réseaux neuronaux artificiels, en mettant l'accent sur les simulations expérimentales et les défis théoriques.

Physique statistique de l'apprentissage

Offre des informations sur la physique statistique de l'apprentissage, explorant la relation entre la structure du réseau neuronal et les systèmes désordonnés.

Comprendre l'apprentissage profond

Explore les fondamentaux de l'apprentissage profond, y compris la classification de l'image, les principes de travail du réseau neuronal et les défis de l'apprentissage automatique.

Bâtir des réseaux neuraux physiques

Discute des défis liés à la construction de réseaux neuraux physiques, en mettant l'accent sur la profondeur, les connexions et la capacité de formation.

Transitions de phase en physique et apprentissage automatique

Explore les transitions de phase en physique et les problèmes de calcul, mettant en évidence les défis rencontrés par les algorithmes et l'application des principes de physique dans la compréhension des réseaux neuronaux.

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.

Optimisation dans l'apprentissage automatique: Gradient Descent

Couvre l'optimisation dans l'apprentissage automatique, en mettant l'accent sur la descente par gradient pour la régression linéaire et logistique, la descente par gradient stochastique et des considérations pratiques.

Réseaux neuronaux d'avant-garde : fonctions d'activation et rétropropagation

Introduit des réseaux neuronaux, des fonctions d'activation et de rétropropagation pour la formation, en répondant aux défis et aux méthodes puissantes.