Séance de cours

L'apprentissage automatique à l'échelle atomique

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.

Dans cours

PHYS-754: Lecture series on scientific machine learning

This lecture presents ongoing work on how scientific questions can be tackled using machine learning. Machine learning enables extracting knowledge from data computationally and in an automatized way. We will learn on examples how this is influencing the v ...

Description

Cette séance de cours porte sur l'utilisation de modèles simples pour comprendre les interactions à l'échelle atomique, les approches pratiques pour l'évaluation de la structure électronique et l'application de l'apprentissage automatique pour prédire les propriétés atomiques. Elle se transforme également en apprentissage non supervisé, en modèles de régression et en l'importance des représentations dans l'apprentissage automatique atomistique.

Enseignant·e·s (10)

David Richard Harvey

Enseignement et PhD Doctorant·es actuel·les Ethan Daniel Tregidga, Felix Francisco Vecchi Cours Lecture series on scientific machine learning PHYS-754 Ce cours présente des travaux sur la façon dont les questions scientifiques peuvent être abordées à l'aide de l'apprentissage automatique. L'apprentissage automatique permet d'extraire des connaissances à partir de données de manière automatisée. Nous apprendrons à partir d'exemples concrets.

Matthieu Wyart

Enseignement et PhD A dirigé les thèses EPFL de Riccardo Ravasio, Mario Geiger, Wencheng Ji, Leonardo Petrini, Umberto Maria Tomasini, Alessandro Favero Cours Systèmes complexes PHYS-343 Ce cours montre comment des concepts physiques connus (entropie, transitions de phase) et nouveaux (verres, percolation, réaction de type avalanche) peuvent être utilisés dans divers domaines (y compris l'informatique, les neurosciences, les sciences sociales).

Anne-Florence Raphaëlle Bitbol

I was trained in physics, and always had a strong interest in biology. I am broadly interested in understanding biological phenomena in a quantitative way, through physical concepts and mathematical and computational tools. I investigate the relative impacts of optimization and historical contingency in biological evolution, both at the scale of protein sequences and at the scale of microbial populations.Here is my research group website.Curriculum vitae Here is my complete CV. Professional experience:Since

Alexander Mathis

Alexander studied pure mathematics with a minor in logic and theory of science at the Ludwig Maximilians University in Munich. For his PhD also at LMU, he worked on optimal coding approaches to elucidate the properties of grid cells. As a postdoctoral fellow with Prof. Venkatesh N. Murthy at Harvard University and Prof. Matthias Bethge at Tuebingen AI, he decided to study olfactory behaviors such as odor-guided navigation, social behaviors and the cocktail party problem in mice. During this time, he increasingly got interested sensorimotor behaviors beyond olfaction and started working on proprioception, motor adaption, as well as computer vision tools for measuring animal behavior. In his group, he is interested in elucidating how the brain gives rise to adaptive behavior. One of the major goals is to synthesize large datasets into computationally useful information. For those purposes, he develops algorithms and systems to analyze animal behavior (e.g. DeepLabCut), neural data, as well as creates experimentally testable computational models.

Source officielle

Proximité ontologique

Mathématiques

Algèbre: Théorie des représentations

Concepts associés (32)

Représentation d'algèbre de Lie

En mathématiques, une représentation d'une algèbre de Lie est une façon d'écrire cette algèbre comme une algèbre de matrices, ou plus généralement d'endomorphismes d'un espace vectoriel, avec le crochet de Lie donné par le commutateur. Algèbre de Lie Soit K un corps commutatif de caractéristique différente de 2. Une algèbre de Lie sur K est un espace vectoriel muni d'une application bilinéaire de dans qui vérifie les propriétés suivantes : Tout espace vectoriel peut être muni d'une structure d'algèbre de Lie, en posant .

Apprentissage auto-supervisé

L'apprentissage auto-supervisé ("self-supervised learning" en anglais) (SSL) est une méthode d'apprentissage automatique. Il apprend à partir d'échantillons de données non étiquetés. Il peut être considéré comme une forme intermédiaire entre l'apprentissage supervisé et non supervisé. Il est basé sur un réseau de neurones artificiels. Le réseau de neurones apprend en deux étapes. Tout d'abord, la tâche est résolue sur la base de pseudo-étiquettes qui aident à initialiser les poids du réseau.

Représentation adjointe

En mathématiques, il existe deux notions de représentations adjointes : la représentation adjointe d'un groupe de Lie sur son algèbre de Lie, la représentation adjointe d'une algèbre de Lie sur elle-même. Alors que la première est une représentation de groupe, la seconde est une représentation d'algèbre. Soient : un groupe de Lie ; l'élément identité de ; l'algèbre de Lie de ; l'automorphisme intérieur de sur lui-même, donné par .

Apprentissage de représentations

En apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.

Théorie des représentations d'un groupe fini

vignette|Ferdinand Georg Frobenius, fondateur de la théorie de la représentation des groupes. En mathématiques et plus précisément en théorie des groupes, la théorie des représentations d'un groupe fini traite des représentations d'un groupe G dans le cas particulier où G est un groupe fini. Cet article traite de l'aspect mathématique et, de même que l'article de synthèse « Représentations d'un groupe fini », n'aborde que les représentations linéaires de G (par opposition aux représentations projectives ou ).

Afficher plus

Séances de cours associées (64)

Arbres de régression et méthodes d'ensemble dans l'apprentissage automatique

Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.

Apprentissage automatique: Physique et 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.

Apprentissage automatique: Techniques d'apprentissage supervisé et non supervisé

Couvre les techniques d'apprentissage supervisées et non supervisées dans l'apprentissage automatique, en mettant en évidence leurs applications dans la finance et l'analyse environnementale.

Fondements de l'apprentissage automatique

Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.

Overfitting dans l'apprentissage supervisé: études de cas et techniques

Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.

Afficher plus

Concepts associés (32)

Représentation d'algèbre de Lie

Apprentissage auto-supervisé

Représentation adjointe

Apprentissage de représentations

Théorie des représentations d'un groupe fini

Afficher plus