Séance de cours

Classification des documents : Aperçu

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)

SVM et classification multi-classes

Couvre la classification SVM et multiclasse en utilisant des approches un-contre-tout et un-contre-un.

Régression linéaire généralisée

Explore la régression linéaire généralisée, la régression logistique et la classification multiclasses dans l'apprentissage automatique.

Transformers: Techniques de pré-entraînement et de décodage

Couvre les concepts avancés de transformateur, en se concentrant sur les techniques de pré-formation et de décodage en PNL.

Prédiction du lien : bords manquants et méthodes probabilistes

Explore la prédiction des liens dans les réseaux, couvrant les bords manquants, les méthodes probabilistes et les défis d'inférence causale.

Deep Learning : réseaux neuronaux convolutifs

Couvre les réseaux neuronaux convolutifs, les architectures standard, les techniques de formation et les exemples contradictoires en apprentissage profond.

Machine Learning : Fonctionnalités et sélection de modèles

Plongez dans l'importance des fonctionnalités, de l'évolution des modèles, des défis d'étiquetage et de la sélection des modèles dans l'apprentissage automatique.

SVM - Principe : Classeurs linéaires

Couvre l'histoire et les applications de SVM, ainsi que la construction de classificateurs linéaires et le concept de marge de classificateur.

Perception : Approches fondées sur les données

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.

Classification d'image: Arbres de décision et forêts aléatoires

Explore la classification des images en utilisant des arbres de décision et des forêts aléatoires pour réduire la variance et améliorer la robustesse du modèle.

Architecture des transformateurs : le X Gomega

Déplacez-vous dans l'architecture Transformer, l'auto-attention et les stratégies de formation pour la traduction automatique et la reconnaissance d'image.

Machines vectorielles de soutien: Marge douce

Explore Support Vector Machines avec un accent sur la marge souple et la classification multiclasse à l'aide de classificateurs binaires.

Paradigme d'apprentissage profond

Explore le paradigme de l'apprentissage profond, y compris les défis, les réseaux neuronaux, la robustesse, l'équité, l'interprétabilité et l'efficacité énergétique.

Traitement d'image II: classificateurs gaussiens et réseaux neuronaux

Explore les classificateurs gaussiens, la classification des textures, l'estimation des paramètres, l'apprentissage supervisé et les réseaux neuronaux profonds dans le traitement d'images.

Réseaux de neurones : Perceptron

Couvre les principaux concepts des réseaux neuronaux, y compris le modèle Perceptron et les algorithmes d'entraînement.

Approche statistique : résumé et quiz

Discute de la vue statistique des réseaux neuronaux, des tâches de classification et des fonctions de perte d'entropie croisée.

Perceptron: Partie 2

Couvre l'algorithme Perceptron et son application aux problèmes de classification binaire, y compris l'algorithme Pocket Perceptron.

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.

Fondements de l'apprentissage automatique

Introduit les bases de l'apprentissage automatique, couvrant la classification supervisée, la régression logistique et la maximisation de la marge.

Classement avec GMM

Explore lutilisation des modèles de mélange gaussien pour la transition du clustering à la classification, couvrant la classification binaire, lestimation des paramètres et le classificateur Bayes optimal.

Méthodes de l'ensemble : Forêts aléatoires

Couvre les méthodes d'ensemble comme les forêts aléatoires et les baies de Naive de Gaussian, expliquant comment elles améliorent la précision de prédiction et estimer les distributions gaussiennes conditionnelles.