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.
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.
Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.
Résume les cartes de Kohonen, qui couvrent l'initialisation, l'échantillonnage, l'appariement des similarités, des exemples et des applications dans l'apprentissage automatique et la classification des données.
Explore les machines vectorielles de support, maximisant la marge pour une classification robuste et la transition vers la SVM logicielle pour les données séparables non linéairement.
Couvre la théorie et les applications des codes de correction d'erreurs, en soulignant l'importance de minimiser la distance pour une communication fiable.
Fournit un aperçu des diagrammes de phase vapeur-liquide et de leur rôle dans les processus de séparation, en se concentrant sur les équilibres de phase et la règle de phase de Gibbs.
Présente les projets de l'EPFL Digital Humanities Master étudiants, couvrant l'apprentissage automatique, les approches interdisciplinaires et la poésie générée par ordinateur.
Explore les modèles linéaires pour la classification, y compris la classification binaire, la régression logistique, les limites de décision et les machines vectorielles de support.
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.
Explore l'optimisation des réseaux neuronaux, y compris la rétropropagation, la normalisation des lots, l'initialisation du poids et les stratégies de recherche d'hyperparamètres.
Défis posés par l'apprentissage des modèles probabilistes, couvrant la complexité des calculs, la reconstruction des données et les lacunes statistiques.
