Séance de cours

Récapitulation de l'historique de la vision de l'ordinateur

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)

MaxPooling comme biais inductif pour les images

Explore comment MaxPooling applique un biais inductif vers l'invariance de traduction locale dans les réseaux neuronaux convolutifs.

Deep Learning Blocks Buildings

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

Physique statistique dans l'apprentissage automatique: Comprendre l'apprentissage profond

Explore l'application de la physique statistique à la compréhension de l'apprentissage profond en mettant l'accent sur les réseaux neuronaux et les défis de l'apprentissage automatique.

Réseaux de neurones : Perceptron

Couvre les principaux concepts des réseaux neuronaux, y compris le modèle Perceptron et les algorithmes d'entraînement.

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.

Deep Learning : Détection de périphérie et réseaux neuronaux

Discute des techniques de détection de bord et de l'évolution de l'apprentissage profond dans les réseaux neuronaux.

Deep Learning: Réseaux neuronaux récurrents

Explore les réseaux neuronaux récurrents pour les données comportementales, couvrant le repérage de connaissances profondes, les réseaux LSTM, GRU, le réglage hyperparamétrique et les tâches de prévision de séries chronologiques.

Méthodes de noyau: Réseaux neuronaux

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

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.

Image Processing II: Réseaux de neurones et CNN

Explore l'évolution des CNN dans le traitement de l'image, couvrant les réseaux neuronaux classiques et profonds, les algorithmes d'entraînement, la rétropropagation, les étapes non linéaires, les fonctions de perte et les frameworks logiciels.

Réseaux polynômes : Analyse des partialités spectrales

Déplacez-vous dans le biais spectral des réseaux neuronaux polynômes, analysez l'impact sur l'apprentissage des différentes fréquences et discutez des résultats expérimentaux.

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.

Deep Learning : réseaux neuronaux convolutifs

Présente les réseaux neuronaux convolutifs, en expliquant leur architecture, leur processus de formation et leurs applications dans les tâches de segmentation sémantique.

Mathématiques des données : de la théorie au calcul

Couvre les concepts clés en mathématiques des données, y compris la différenciation automatique, les couches linéaires et les couches d'attention.

Perspectives géométriques sur les modèles d'apprentissage profond

Se penche sur les perspectives géométriques des modèles d'apprentissage profond, explorant leur vulnérabilité aux perturbations et l'importance de la robustesse et de l'interprétabilité.

Réseaux neuronaux : apprentissage multicouche

Couvre les fondamentaux des réseaux neuronaux multicouches et de l'apprentissage profond, y compris la propagation arrière et les architectures réseau comme LeNet, AlexNet et VGG-16.

Évaluation de l'exactitude et de la robustesse de la machine sur ImageNet

Explore l'évaluation de la précision et de la robustesse de la machine et de l'homme sur ImageNet, en soulignant les progrès, les défis et la nécessité d'améliorer.

Apprentissage sensoriel avec les réseaux neuronaux

Explore les représentations sensorielles, la perception, la mémoire, le contrôle cognitif et les réseaux neuraux.

Tomographie quantique d'état : approche de réseau neuronal

Explore une approche de réseau neuronal à la tomographie d'état quantique utilisant RBM, présentant des prédictions précises et des applications potentielles au-delà de RBM.

Deep Learning: Réseaux convolutionnels

Explore les réseaux neuronaux convolutionnels, la rétropropagation et la descente stochastique en gradient dans l'apprentissage profond.