Séance de cours

Pourquoi y a-t-il autant de points de selle? : Paysage de perte et méthodes d'optimisation

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.

Séances de cours associées (64)

Deep Learning

Couvre les bases de l'apprentissage profond, y compris les représentations de données, le sac de mots, le prétraitement des données, les réseaux de neurones artificiels et les réseaux de neurones convolutifs.

La malédiction de la dimensionnalité dans l'apprentissage profond

Se penche sur les défis de l'apprentissage profond, en explorant la dimensionnalité, les performances et les phénomènes sur-adaptés dans les réseaux neuronaux.

Deep Learning : réseaux neuronaux convolutifs

Présente les réseaux neuronaux convolutifs, en expliquant leur architecture, leur processus de formation et leurs applications dans les tâches de segmentation sémantique.

Réseaux neuronaux : apprentissage multicouche

Couvre les fondamentaux des réseaux neuronaux multicouches et de l'apprentissage profond, y compris la propagation arrière et les architectures réseau comme LeNet, AlexNet et VGG-16.

Réseaux neuronaux : Réseau neuronal à deux couches

Couvre les bases des réseaux neuraux, en mettant l'accent sur le développement des réseaux neuraux de deux couches vers les réseaux neuraux profonds.

Apprentissage profond pour les véhicules autonomes: modèles prédictifs

Explore les modèles prédictifs et les traceurs pour les véhicules autonomes, couvrant la détection d'objets, les défis de suivi, le suivi en réseau neuronal et la localisation des piétons en 3D.

Deep Learning : théorie et applications

Explore les mathématiques de l'apprentissage profond, les réseaux neuronaux et leurs applications dans les tâches de vision par ordinateur, en abordant les défis et le besoin de robustesse.

Structures dans l'optimisation non convexe

Couvre l'optimisation non convexe, les problèmes d'apprentissage profond, la descente stochastique des gradients, les méthodes d'adaptation et les architectures réseau neuronales.

Apprentissage par renforcement: gradient de politique et méthodes critiques pour les acteurs

Fournit une vue d'ensemble de l'apprentissage par renforcement, en se concentrant sur le gradient de politique et les méthodes critiques des acteurs pour les réseaux de neurones artificiels profonds.

Apprentissage Bio-Inspiré: Réseaux Neuraux, Algorithmes Génétiques

Explore l'apprentissage bio-inspiré avec des réseaux neuronaux et des algorithmes génétiques, couvrant la structure, la formation et les applications pratiques.

Machine Learning for Solving PDEs: Méthode de caractéristiques aléatoires

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.

Estimation de la pose à la main

Couvre l'estimation de la pose de la main, les techniques de régression et l'évolution des modèles de classification d'images de LeNet à VGG19.

Deep Learning III

Plongez dans l'optimisation du deep learning, les défis, les variantes SGD, les points critiques, les réseaux surparamétrés et les méthodes adaptatives.

Les principes fondamentaux de l'apprentissage profond

Couvre les fondamentaux de l'apprentissage profond, des neurones artificiels aux réseaux modernes.

No Free Lunch Theorem: Cours en ligne gratuit

Explore le théorème du déjeuner sans gratuit et comment les réseaux profonds correspondent aux structures de problèmes du monde réel.

Mathématiques des données : Introduction au Deep Learning

Couvre une introduction mathématique à l'apprentissage profond, y compris les défis, la puissance des classificateurs linéaires, l'échelle du modèle et les aspects théoriques.

Algorithmes gradués dans l'apprentissage à haute dimension

Fournit des informations sur les algorithmes basés sur les gradients, les mystères d'apprentissage profond, et les défis des problèmes non convexes.

La généralisation dans l'apprentissage profond

Explore la généralisation dans l'apprentissage profond, couvrant la complexité du modèle, le biais implicite, et le phénomène de double descente.

Réseaux profonds versus réseaux peu profonds: réseaux neuronaux artificiels et apprentissage profond

Compare les réseaux profonds avec les réseaux peu profonds dans les réseaux de neurones artificiels et l'apprentissage profond, en explorant les raisons de leurs différences de performance.

Apprentissage des caractéristiques: Stabilité et malédiction de la dimensionnalité

Explore comment les architectures modernes ont vaincu la malédiction de la dimensionnalité et l'importance de la stabilité dans les modèles d'apprentissage en profondeur.