Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Recherche

Afficher tous les résultats pour

Accueil

Séance de cours

Réseau neuronal : caractéristiques aléatoires et régression du noyau

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (43)

Réseaux neuronaux : bases et applications Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les bases des réseaux neuraux, le problème XOR, la classification et les applications pratiques comme la prévision des données météorologiques.

Méthodes du noyau : SVM et régression Connectez-vous à Mediaspace pour regarder cette vidéo

Introduit des méthodes de noyau telles que SVM et régression, couvrant des concepts tels que la marge, la machine vectorielle de support, la malédiction de la dimensionnalité et la régression de processus gaussien.

Régression non paramétrique : estimation basée sur le noyau Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la régression non paramétrique à l'aide de techniques d'estimation basées sur le noyau pour modéliser des relations complexes entre les variables.

Les principes fondamentaux de l'apprentissage profond Connectez-vous à Mediaspace pour regarder cette vidéo

Introduit un apprentissage profond, de la régression logistique aux réseaux neuraux, soulignant la nécessité de traiter des données non linéairement séparables.

Régression du noyau : bases et applications Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la régression du noyau, la malédiction de la dimensionnalité et les caractéristiques aléatoires des réseaux neuronaux.

Machines d'apprentissage extrêmes photoniques: Techniques de calcul de réservoir Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les machines d'apprentissage extrêmes photoniques et le calcul de réservoir, en se concentrant sur leurs architectures, leurs techniques de programmation et leurs applications en informatique optique.

Méthodes du noyau dans l'apprentissage automatique: régression du noyau et SVM Connectez-vous à Mediaspace pour regarder cette vidéo

Discute des méthodes du noyau dans l'apprentissage automatique, en se concentrant sur la régression du noyau et les machines vectorielles de support, y compris leurs formulations et applications.

Expansion des fonctionnalités et méthodes Kernel Connectez-vous à Mediaspace pour regarder cette vidéo

Explore l'expansion des fonctionnalités, les méthodes du noyau, la SVM et la classification non linéaire dans l'apprentissage automatique.

L'apprentissage automatique en dynamique moléculaire Connectez-vous à Mediaspace pour regarder cette vidéo

Explore l'application de l'apprentissage automatique dans la dynamique moléculaire et les matériaux, en mettant l'accent sur la création de caractéristiques significatives et l'importance de la généralisabilité.

Revue du Machine Learning Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre un examen des concepts d'apprentissage automatique, y compris l'apprentissage supervisé, la classification vs régression, les modèles linéaires, les fonctions du noyau, les machines vectorielles de soutien, la réduction de la dimensionnalité, les modèles génératifs profonds et la validation croisée.

Régression : Exercices Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les exercices sur les fonctions de régression à l'aide de RLS, WLS et LWR.

Gradient Descent: Régression linéaire Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre le concept de descente de gradient pour la régression linéaire, en expliquant le processus itératif de mise à jour des paramètres.

Méthodes de décomposition et de régression des erreurs Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la décomposition des erreurs, la régression polynomiale et les voisins K les plus proches pour la modélisation flexible et les prédictions non linéaires.

Introduction à l'apprentissage automatique Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les bases de l'apprentissage automatique, y compris l'apprentissage supervisé et non supervisé, la régression linéaire et la classification.

Réseaux neuronaux : formation et optimisation Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la formation et l'optimisation des réseaux neuronaux, en abordant des défis tels que les fonctions de perte non convexes et les minima locaux.

SGD et analyse moyenne sur le terrain Connectez-vous à Mediaspace pour regarder cette vidéo

Explore l'analyse stochastique de la descente et du champ moyen dans les réseaux neuraux à deux couches, en mettant l'accent sur leurs processus itératifs et leurs fondements mathématiques.

Machine Learning optique : Exploiter la diffusion multiple pour l'efficacité Connectez-vous à Mediaspace pour regarder cette vidéo

Explore l'utilisation de l'optique dans l'apprentissage automatique, en se concentrant sur la multiplication de matrice aléatoire à grande échelle par diffusion multiple de la lumière.

Bias-Variance Echanges dans l'apprentissage automatique Connectez-vous à Mediaspace pour regarder cette vidéo

Discuter du compromis entre les variables biaisées dans l'apprentissage automatique, en mettant l'accent sur l'équilibre entre la complexité du modèle et l'exactitude des prédictions.

Transformations linéaires : Isomorphisme et dimension Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre l'isomorphisme, la dimension, les bases et le rang dans les transformations linéaires entre les espaces vectoriels.

PyTorch et réseaux convolutifs Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la structure des données du tenseur PyTorch et forme un CNN pour classer les images.

Page 2 sur 3