Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
Se penche sur l'impact de l'apprentissage automatique sur la vie privée, en discutant des attaques, des vulnérabilités et des considérations éthiques dans l'utilisation des données.
Fournit une vue d'ensemble des concepts d'apprentissage profond, en se concentrant sur les données, l'architecture du modèle et les défis liés à la gestion de grands ensembles de données.
Explore le panorama de l'enseignement de l'apprentissage automatique à l'EPFL, y compris la coordination des cours, les initiatives de collecte de données et l'intégration éthique.
Fournit un aperçu du traitement du langage naturel, en se concentrant sur les transformateurs, la tokenisation et les mécanismes d'auto-attention pour une analyse et une synthèse efficaces du langage.
Introduit LabVIEW pour le traitement et la visualisation des données, couvrant des sujets tels que la synchronisation des formes d'onde et les tables de recherche couleur.
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
Explore l'impact de l'apprentissage automatique dans la compréhension des maladies humaines, en mettant l'accent sur l'importance historique, la découverte de produits naturels et les défis dans les médicaments de conception.
Explore la construction de protocoles efficaces pour les modèles linéaires dans des systèmes collaboratifs sécurisés, en mettant l'accent sur les garanties de sécurité et l'efficacité computationnelle.