Explore l'optimisation dans la modélisation des systèmes énergétiques, couvrant les variables de décision, les fonctions objectives et les différentes stratégies avec leurs avantages et leurs inconvénients.
Introduit l’approche d’apprentissage par projet de l’EPFL pour optimiser les systèmes énergétiques à travers la théorie, les tâches de projet et les outils.
Explore l'optimisation de l'énergie dans les systèmes de mémoire, en soulignant l'importance des hiérarchies de mémoire et des compromis entre fiabilité et actualité.
Explore l'optimisation de la conception des capteurs et des protéines bioluminescentes pour la surveillance des médicaments et la visualisation des métabolites.
Couvre l'optimisation non convexe, les problèmes d'apprentissage profond, la descente stochastique des gradients, les méthodes d'adaptation et les architectures réseau neuronales.
Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité et ses implications pour une résolution efficace des problèmes.
Discute de la descente de gradient stochastique et de son application dans l'optimisation non convexe, en se concentrant sur les taux de convergence et les défis de l'apprentissage automatique.
Explore l'optimisation du système énergétique de l'EPFL en définissant les exigences, en analysant les options et en appliquant des techniques d'optimisation.
Explore la définition de solutions de conception, l'optimisation multidisciplinaire et les défis liés à l'optimisation de la conception des systèmes, y compris les racines et la motivation derrière l'optimisation de la conception multidisciplinaire.
Explore le transport optimal, la transformation de la lumière, l'optimisation de la conception inverse et l'analyse de sensibilité pour l'optimisation de la forme.
