Séance de cours

Deep Splines: Cadre d'unification des réseaux neuraux profonds

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)

Intelligence cérébrale : Apprentissage continu des modèles de représentation

S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.

Réseaux neuronaux convolutionnels

Introduit des réseaux neuronaux convolutionnels (RCN) pour les véhicules autonomes, couvrant l'architecture, les applications et les techniques de régularisation.

Systèmes de connaissances non conceptuels

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.

Apprentissage profond pour les véhicules autonomes: Apprentissage

Explore l'apprentissage en apprentissage profond pour les véhicules autonomes, couvrant les modèles prédictifs, RNN, ImageNet, et l'apprentissage de transfert.

Réseaux neuronaux : Réseaux neuronaux profonds

Explore les bases des réseaux neuraux, en mettant l'accent sur les réseaux neuraux profonds, leur architecture et leur formation.

Réseaux liquides pour le contrôle de l'apprentissage

Explore les réseaux liquides pour le contrôle d'apprentissage dans les systèmes autonomes, en mettant l'accent sur l'apprentissage de bout en bout et la performance robuste.

Comprendre l'apprentissage profond

Explore les fondamentaux de l'apprentissage profond, y compris la classification de l'image, les principes de travail du réseau neuronal et les défis de l'apprentissage automatique.

Réseaux neuronaux

Explore les réseaux neuronaux, les couches cachées, les ajustements de poids, les fonctions d'activation et le théorème d'approximation universel.

Paysage et généralisation dans l'apprentissage profond

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.

Réduction de la dimensionnalité : PCA et autoencodeurs

Introduit des réseaux de neurones artificiels, des CNN et une réduction de la dimensionnalité à l'aide de PCA et d'auto-encodeurs.

Blocs de construction du deep learning : couches linéaires

Explique les blocs de construction fondamentaux de l'apprentissage profond, en se concentrant sur les couches linéaires et les fonctions d'activation.

Apprendre du monde interconnecté avec les graphiques

Explore l'apprentissage de données interconnectées à l'aide de graphiques, couvrant les défis, la conception du GNN, les paysages de recherche et la démocratisation du graphique ML.

Réseaux neuraux : apprentissage supervisé et rétropropagation

Explique les réseaux neuronaux, l'apprentissage supervisé et la rétropropagation pour la formation et l'amélioration des performances.

Deep Learning : Détection de périphérie et réseaux neuronaux

Discute des techniques de détection de bord et de l'évolution de l'apprentissage profond dans les réseaux neuronaux.

Introduction à l'apprentissage automatique

Introduit des concepts d'apprentissage automatique, des bases aux réseaux neuronaux avancés.

Représentation de l'image

Explore l'évolution de la représentation de l'image, les défis dans l'apprentissage supervisé, les avantages de l'apprentissage auto-supervisé, et les progrès récents dans SSL.

Deep Learning : généralisation et optimisation

Plongez dans les défis et les avantages de l'apprentissage profond, en soulignant la transition vers les réseaux neuronaux convolutifs et l'impact de la largeur du réseau sur le paysage des pertes.

Perceptron multicouche : formation et optimisation

Explore le modèle de perceptron multicouche, la formation, l'optimisation, le prétraitement des données, les fonctions d'activation, la rétropropagation et la régularisation.

Réseaux polynômes : Analyse des partialités spectrales

Déplacez-vous dans le biais spectral des réseaux neuronaux polynômes, analysez l'impact sur l'apprentissage des différentes fréquences et discutez des résultats expérimentaux.

Introduction à l'apprentissage automatique : apprentissage supervisé

Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.