Explique comment les robots manipulent des objets en utilisant des instructions en langage naturel et intègre des modèles de langage de vision pour améliorer les performances.
S'oriente vers l'approximation du réseau neuronal, l'apprentissage supervisé, les défis de l'apprentissage à haute dimension et la révolution expérimentale de l'apprentissage profond.
Analyse la descente du gradient sur les réseaux neuraux ReLU à deux couches, en explorant la convergence globale, la régularisation, les biais implicites et l'efficacité statistique.
Explore l'apprentissage profond pour les véhicules autonomes, couvrant la perception, l'action et les prévisions sociales dans le contexte des technologies de capteurs et des considérations éthiques.
Explore les réseaux profonds et convolutifs, couvrant la généralisation, l'optimisation et les applications pratiques dans l'apprentissage automatique.
Présentation de l’équipe EPFL Spacecraft et de son travail sur la mission CubeSat CHES Pathfinder 1, face aux défis du transfert de connaissances et de la préparation des futures missions.
Explore les défis et les solutions pour l'apprentissage évolutif et fiable dans des réseaux hétérogènes, en mettant l'accent sur l'hétérogénéité des données, la vie privée, l'équité et la robustesse.
Explore la charge cognitive, la mémoire, les types de connaissances, les modèles mentaux, l'orientation spatiale et les compétences en résolution de problèmes.
Couvre les modèles linéaires, y compris la régression, les dérivés, les gradients, les hyperplans et la transition de classification, en mettant laccent sur la minimisation des risques et des mesures dévaluation.