Séance de cours

Marquage partie de la parole: modèles probabilistes

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)

Modélisation des signaux neurobiologiques: Chaînes Markov

Explore la modélisation des signaux neurobiologiques avec les chaînes Markov, en mettant l'accent sur l'estimation des paramètres et la classification des données.

Apprendre avec les réseaux neuronaux profonds

Explore le succès et les défis de l'apprentissage profond, y compris le suréquipement, la généralisation et l'impact sur divers domaines.

Traitement d'image II: classificateurs gaussiens et réseaux neuronaux

Explore les classificateurs gaussiens, la classification des textures, l'estimation des paramètres, l'apprentissage supervisé et les réseaux neuronaux profonds dans le traitement d'images.

Apprentissage supervisé : classification et régression

Couvre l'apprentissage supervisé, la classification, la régression, les limites de décision, le surajustement, Perceptron, SVM et la régression logistique.

Étiquetage (a.k.a. Étiquetage des séquences)

Couvre la lemmatisation, le marquage PoS, l'étiquetage séquentiel et le marquage poS probabiliste à l'aide de HMMs pour l'évaluation du rendement.

Perception : Approches fondées sur les données

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.

Apprentissage supervisé non linéaire

Explore le biais inductif de différentes méthodes d'apprentissage supervisé non linéaires et les défis de l'accordage hyperparamétrique.

Reconnaissance d'entités nommées : applications et techniques

Explore la reconnaissance d'entités nommées, ses utilisations, ses techniques et ses applications dans l'extraction d'informations.

Réactions chimiques : Architecture des transformateurs

Explore la cartographie des atomes dans les réactions chimiques et la transition vers la grammaire réactionnelle à l'aide de l'architecture du transformateur.

La vue statistique : les modèles génératifs

Explore l'interprétation de la sortie du réseau neuronal comme une probabilité à travers des modèles statistiques génératifs.

Apprentissage automatique: Techniques d'apprentissage supervisé et non supervisé

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.

Fondements de l'apprentissage automatique

Couvre les principes fondamentaux et les méthodes de l'apprentissage automatique, y compris les techniques d'apprentissage supervisé et non supervisé.

Arbres de régression et méthodes d'ensemble dans l'apprentissage automatique

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.

Règles de voisinage les plus près: Partie 2

Explore les règles de voisinage les plus proches, les défis de l'algorithme k-NN, le classificateur Bayes et l'algorithme k-means pour le regroupement.

Brises de l'apprentissage automatique

Couvre les bases de l'apprentissage automatique, les défis en matière de déploiement, les attaques contradictoires et les préoccupations en matière de protection de la vie privée.

Revue du Machine Learning

Couvre un examen des concepts d'apprentissage automatique, y compris l'apprentissage supervisé, la classification vs régression, les modèles linéaires, les fonctions du noyau, les machines vectorielles de soutien, la réduction de la dimensionnalité, les modèles génératifs profonds et la validation croisée.

Deep Splines: Cadre d'unification des réseaux neuraux profonds

Introduit un cadre fonctionnel pour les réseaux neuronaux profonds avec des splines adaptatives linéaires à la pièce, mettant l'accent sur la reconstruction de l'image biomédicale et les défis des splines profondes.

Radar pénétrant au sol : analyse des données

Explore le picking automatisé des barres de renforcement dans les données radar pénétrantes au sol à l'aide de techniques d'apprentissage automatique et de traitement du signal.

Intelligence cérébrale : Apprentissage continu des modèles de représentation

S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.

Systèmes de connaissances non conceptuels

Explore l'impact de l'apprentissage profond sur les humanités numériques, en se concentrant sur les systèmes de connaissances non conceptuels et les progrès récents de l'IA.