Techniques de réduction des écarts

Cette séance de cours couvre les techniques de réduction de la variance dans l'optimisation, en mettant l'accent sur les méthodes de descente en gradient (GD) et de descente en gradient stochastique (SGD). L'instructeur explique comment diminuer la variance tout en utilisant une taille d'étape constante, en introduisant des concepts comme la douceur Lipschitz et l'observation des étapes GD vs SGD. La séance de cours se penche également sur les mathématiques des données, de la théorie au calcul, avec un accent particulier sur l'apprentissage profond. Différents algorithmes et méthodes, tels que SVRG et SGD mini-batch, sont discutés pour réduire la variance des gradients stochastiques. La séance de cours explore les défis de la théorie et des applications de l'apprentissage profond, y compris l'équité, la robustesse, l'interprétation et l'efficacité énergétique.