Séance de cours

Discretisation : méthodes et techniques

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)

Apprentissage automatique avancé : bref aperçu de C-SVM

Couvre le clustering, la classification et le support des principes, des applications et de l'optimisation des machines vectorielles, y compris la classification non linéaire et les effets du noyau gaussien.

Regroupement: K-means & LDA

Couvre le clustering en utilisant les propriétés K-means et LDA, PCA, K-means, Fisher LDA et le clustering spectral.

Groupement : principes et méthodes

Couvre les principes et les méthodes de regroupement dans l'apprentissage automatique, y compris les mesures de similarité, la projection de l'APC, les moyennes K et l'impact de l'initialisation.

Apprentissage automatique non supervisé: Clustering Basics

Introduit des techniques de clustering d'apprentissage automatique non supervisées telles que K-means, Gaussian Mixture Models et DBSCAN, expliquant leurs algorithmes et leurs applications.

Modèle de mélange gaussien: forme finale EM

Explique les calculs E-step et M-step dans le modèle de mélange gaussien, y compris le pseudocode de lalgorithme EM.

Introduction à l'apprentissage automatique MOOC: Systèmes IoT et applications industrielles avec Design Thinking

Couvre les bases de l'apprentissage automatique, en se concentrant sur les algorithmes d'apprentissage supervisé et les applications du monde réel.

Représentation symbolique des espaces d'État

Se penche sur la représentation symbolique des espaces d'état à l'aide de diagrammes de décision pour les réseaux Petri de haut niveau, présentant des techniques d'encodage efficaces et des résultats de référence.

Fondements de l'apprentissage automatique

Couvre les principes fondamentaux et les méthodes de l'apprentissage automatique, y compris les techniques d'apprentissage supervisé et non supervisé.

Prétraitement des données : Défis liés au traitement

Se penche sur les techniques avancées de prétraitement des données, qui couvrent l'encodage catégorique, le traitement des données manquantes et les ensembles de données déséquilibrés, en mettant l'accent sur les mesures des performances et la comparaison des classificateurs.

Coloration graphique II

Explore les concepts avancés de coloration graphique, y compris la coloration plantée, le seuil de rigidité, et les variables gelées en points fixes BP.

Kernel K-means: Analyse et applications

Explore l'algorithme Kernel K-means, son analyse, ses applications et ses limites dans le clustering.

Clusters et communautés

Explore le clustering, la détection de communauté, K-means, GMM, la modularité et la méthode Louvain.

Clustering K-Means : Compression d'image

Couvre l'algorithme K-means pour la compression d'image et PCA pour la réduction de dimensionnalité.

Maximisation et regroupement des attentes

Couvre l'algorithme de maximisation des attentes et les techniques de regroupement, en mettant l'accent sur l'échantillonnage Gibbs et l'équilibre détaillé.

L'apprentissage automatique efficace grâce à la synthèse des données

Explore l'apprentissage automatique efficace par la synthèse des données, couvrant les défis, les méthodes et les applications impactées dans divers domaines.

Fondements de l'apprentissage automatique

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

Réduction des dimensions linéaires : PCA et LDA

Explore PCA et LDA pour la réduction de dimensionnalité linéaire dans les données, en mettant l'accent sur les techniques de clustering et de séparation de classe.

Méthodes de regroupement et réduction de dimensionnalité

Couvre les méthodes de regroupement et les techniques de réduction de dimensionnalité.

Séquençage de l'ARN à cellule unique : méthodes et applications

Explore les méthodes de séquençage de l'ARN à cellule unique, les applications, les études tissulaires et le regroupement des données.

Fondements de l'apprentissage automatique

Présente les bases de l'apprentissage automatique, les mesures de performance, les techniques d'optimisation et l'évaluation des modèles.