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.
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 l'optimisation des réseaux neuronaux, y compris la rétropropagation, la normalisation des lots, l'initialisation du poids et les stratégies de recherche d'hyperparamètres.
Comparer les modèles de bruit diffuseur et de bruit d'échappement dans les neurosciences informatiques, discuter de la simulation, du calcul et de l'ajustement du modèle.
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.
Couvre les principes et les défis de la technologie des caméras CMOS, en se concentrant sur les capteurs de pixels passifs et leur impact sur la qualité de l'image.
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 les réseaux profonds et convolutifs, couvrant la généralisation, l'optimisation et les applications pratiques dans l'apprentissage automatique.
Explore le bruit thermique dans les transistors MOS, le bruit d'entrée des transistors bipolaires et le bruit dans les étages amplificateurs, les miroirs, les paires différentielles et les opamps.
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.
Introduit des réseaux neuronaux convolutifs, couvrant les couches entièrement connectées, les convolutions, la mise en commun, les traductions PyTorch et des applications telles que l'estimation de pose à la main et l'estimation de tubalité.
Explore les fondamentaux du laser, y compris les caractéristiques de cohérence et de bruit, telles que les oscillations de relaxation et le bruit de tir.
Explore l'estimation des canaux OFDM pour les récepteurs sans fil, en soulignant l'importance d'une estimation précise dans les systèmes de communication sans fil.
Explore la technique de stabilisation Chopper (CHS) dans la conception de circuits intégrés analogiques, en se concentrant sur la réduction du bruit et la minimisation des décalages.
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
