Synthèse chimique automatisée : conception et optimisation du catalyseur

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.

Explore la classification binaire par régression, fonctions de décision et diverses fonctions de coût.

Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.

Explore la régression du mélange gaussien et le surajustement avec plusieurs fonctions gaussiennes.

Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.

Couvre les exercices sur les fonctions de régression à l'aide de RLS, WLS et LWR.

Couvre des concepts clés et des exemples d'algorithmes et de techniques d'apprentissage automatique.

Couvre les bases de la régression linéaire, y compris l'ingénierie des caractéristiques, l'apprentissage supervisé ou non supervisé, et minimise la fonction de coût.

Introduit les bases de l'apprentissage automatique supervisé, couvrant les types, les techniques, le compromis biais-variance et l'évaluation du modèle.

Explore les produits intelligents et connectés et leur impact transformateur sur les entreprises, couvrant l'intelligence artificielle, l'apprentissage automatique, les modèles prédictifs, les méthodes de prévision et plus encore.

Introduit les bases de l'apprentissage automatique, couvrant l'apprentissage supervisé et non supervisé, la régression linéaire et la compréhension des données.

Couvre la transition des modèles linéaires aux modèles non linéaires, en se concentrant sur k-NN et les techniques d'expansion des caractéristiques.

Couvre l'apprentissage supervisé en mettant l'accent sur la régression linéaire, y compris des sujets comme la classification numérique, la détection des pourriels et la prédiction de la vitesse du vent.

Couvre les Perceptrons multicouches, les neurones artificiels, les fonctions d'activation, la notation matricielle, la flexibilité, la régularisation, la régression et les tâches de classification.

Discute de la méthode de gradient pour l'optimisation, en se concentrant sur son application dans l'apprentissage automatique et les conditions de convergence.

Couvre l'analyse de divers attributs de données et modèles de régression linéaire.

Explore les fonctions de perte, la descente de gradient et l'impact de la taille des pas sur l'optimisation dans les modèles d'apprentissage automatique, en soulignant l'équilibre délicat requis pour une convergence efficace.

Explore les modèles, les paradigmes d'apprentissage et les applications en mathématiques des données.

Explore des modèles simples, l'évaluation de la structure électronique et l'apprentissage automatique à l'échelle atomique.

Couvre les fondamentaux de l'apprentissage automatique avancé, mettant l'accent sur les applications pratiques par des exercices et des projets interactifs.

Discute des méthodes du noyau, en se concentrant sur les surajustements, la sélection des modèles et les fonctions du noyau dans l'apprentissage automatique.