Explore la logique de la fonction neuronale, le modèle Perceptron, les applications d'apprentissage profond et les niveaux d'abstraction dans les modèles neuronaux.
Explore les bases des réseaux neuraux, le problème XOR, la classification et les applications pratiques comme la prévision des données météorologiques.
Couvre la complexité et l'apprenabilité dans les systèmes quantiques complexes, en se concentrant sur les avantages quantiques dans l'apprentissage et la prédiction des propriétés des états quantiques.
Couvre les concepts fondamentaux de l'apprentissage profond et de l'architecture Transformer, en se concentrant sur les réseaux neuronaux, les mécanismes d'attention et leurs applications dans les tâches de modélisation de séquence.
Couvre les concepts clés de l'apprentissage par renforcement, des réseaux neuronaux, du clustering et de l'apprentissage non supervisé, en mettant l'accent sur leurs applications et leurs défis.
Couvre la fonction neuronale, les modèles hiérarchiques, les comportements des taxis odorants et les paramètres de circuit disparates dans 18 diapositives.
Déplacez-vous dans les potentiels interatomiques de la machine appris, montrant leur précision et leur rentabilité dans la prédiction des propriétés chimiques.
Couvre une analyse SWOT de l'apprentissage automatique et de l'intelligence artificielle, explorant les forces, les faiblesses, les possibilités et les menaces sur le terrain.
Décrit le programme de maîtrise en sciences et ingénierie informatiques de l'EPFL, détaillant sa structure, ses projets et ses opportunités de carrière pour les diplômés.
Couvre les bases de l'apprentissage profond, y compris les représentations de données, le sac de mots, le prétraitement des données, les réseaux de neurones artificiels et les réseaux de neurones convolutifs.