Explore l'intelligence, la perception et les applications de l'IA dans les véhicules autonomes, en mettant l'accent sur la pensée rationnelle et l'intelligence sociale.
Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.
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.
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.
Explore l'évolution du cloud computing pour prendre en charge les applications IoT et les défis auxquels sont confrontés les algorithmes de deep learning dans le traitement des données à partir de capteurs intelligents.
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.
Explore le projet de Valérie sur l'automatisation des statistiques de surface à l'aide d'algorithmes d'apprentissage en profondeur et d'images aériennes.
Explore l'apprentissage bio-inspiré avec des réseaux neuronaux et des algorithmes génétiques, couvrant la structure, la formation et les applications pratiques.
Plonge dans l'impact de l'apprentissage profond sur les systèmes de connaissances non conceptuels et les progrès dans les transformateurs et les réseaux antagonistes génératifs.
Explore les progrès de l'IA générative et de l'apprentissage par renforcement, en se concentrant sur leurs applications, leur sécurité et leurs futures orientations de recherche.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
Couvre l'utilisation de transformateurs en robotique, en se concentrant sur la perception incarnée et les applications innovantes dans la locomotion humanoïde et l'apprentissage du renforcement.
Couvre les concepts fondamentaux de l'apprentissage automatique, y compris la classification, les algorithmes, l'optimisation, l'apprentissage supervisé, l'apprentissage par renforcement et diverses tâches telles que la reconnaissance d'images et la génération de texte.
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.
