Applications de Machine Learning: Prédire les propriétés des nanotubes de carbone
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.
Explore la méthodologie MODNet pour les prévisions des biens matériels, en mettant l'accent sur la sélection des caractéristiques et l'apprentissage supervisé.
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.
Couvre les techniques d'apprentissage supervisées et non supervisées dans l'apprentissage automatique, en mettant en évidence leurs applications dans la finance et l'analyse environnementale.
Explore l'application du modèle Weibull aux données aléatoires et son importance dans l'analyse de la force matérielle et de la probabilité de défaillance.
Présente la modélisation des coûts en tant qu'outil d'innovation durable et couvre des sujets tels que les émissions de CO2 des transports et les propriétés des matériaux.
Explore la fabrication additive pour les mécanismes spatiaux, couvrant les technologies d'impression 3D, les matériaux, les règles de conception et les applications dans l'espace.
Introduit des bases d'apprentissage automatique, couvrant la segmentation des données, le regroupement, la classification, et des applications pratiques comme la classification d'image et la similarité du visage.
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
Explore la déformation, le fluage, les propriétés des matériaux, les essais mécaniques, la céramique, les polymères, les métaux et les liaisons atomiques.
Explore les problèmes thermiques et mécaniques en thermomécanique, couvrant l'équation de la chaleur, la déformation totale et la modélisation de l'analyse des contraintes.
Explore la méthode de fonction aléatoire pour résoudre les PDE à l'aide d'algorithmes d'apprentissage automatique pour approximer efficacement les fonctions à haute dimension.
Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.
Explore les mécanismes de défaillance dans MEMS, couvrant la conception, la fabrication et les défaillances en cours d'utilisation, en mettant l'accent sur les considérations de fiabilité et les stratégies d'atténuation de la résistance mécanique aux chocs et aux vibrations.
