Séance de cours

ENG 209 2024, Cours 4

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)

Scopes and Lambdas: Data Science avec Python

Couvre les champs d'application, les lambdas et les pandas en science des données avec Python, y compris les déclarations imbriquées, la détermination de la portée, les affectations et la manipulation des pandas.

3, STM / AFM 2024

Modèles génériques : auto-attention et transformateurs

Couvre les modèles générateurs en mettant l'accent sur l'auto-attention et les transformateurs, en discutant des méthodes d'échantillonnage et des moyens empiriques.

Programmation Python : Gestion de fichiers et exceptions

Explore la gestion des fichiers et les exceptions dans la programmation Python, couvrant la lecture, l'écriture et les stratégies de gestion des erreurs.

Listes de Python : Manipulation et Compréhension

Couvre la manipulation et la compréhension de la liste Python, mettant l'accent sur la représentation de la mémoire et la mutabilité.

Gestion des exceptions en Python

Couvre la gestion des exceptions en Python, y compris try, raise, except, else, et enfin blocks, avec des exemples.

Introduction générale à la science des données

Offre une introduction complète à la science des données, couvrant Python, Numpy, Pandas, Matplotlib et Scikit-learn, en mettant l'accent sur les exercices pratiques et le travail collaboratif.

Régression : Modèles linéaires

Introduit une régression linéaire, des modèles linéaires généralisés et des modèles à effet mixte pour l'analyse de régression.

Fonctions en Python

Introduit des fonctions en Python, couvrant les fonctions prédéfinies et définies par l'utilisateur, les paramètres formels et efficaces, et l'importance des docstrings.

Introduction à Python: Basics et Anaconda Setup

Couvre les bases de la programmation Python et la mise en place Anaconda et Jupyter Notebook.

Résoudre le Quintique : Analyse de l'équilibre dominant

Explore l'analyse de l'équilibre dominant dans la résolution du polynôme quintique, révélant des aperçus sur le comportement de la racine et l'importance des expressions symboliques.

Fonctions récursives : exemples et applications

Explore les fonctions récursives, y compris les factorielles et les séquences de Fibonacci, ainsi que leur étendue et leurs espaces de noms.

Probabilités et processus stochastiques

Couvre la probabilité appliquée, les processus stochastiques, les chaînes de Markov, l'échantillonnage de rejet et les méthodes d'inférence bayésienne.

Statistiques multivariées: Wishart et Hotelling T2

Explore la distribution de Wishart, les propriétés des matrices de Wishart, et la distribution de T2 de Hotelling, y compris la statistique T2 de deux exemples Hotelling.

Traitement approximatif des requêtes: BlinkDB

Introduit BlinkDB, un cadre pour le traitement approximatif des requêtes à l'aide de techniques d'échantillonnage.

Introduction à l'apprentissage automatique: Aperçu du cours et bases

Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.

Récepteurs sans fil : Paramètre Estimation

Couvre les défis et les techniques d'estimation des paramètres dans les récepteurs sans fil.

Bases de programmation Python

Couvre les bases de la programmation Python, en se concentrant sur les structures de contrôle de flux, le mode interactif, le mode script et les variables.

Chaînes et algorithmes de Markov

Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.

Fonctions de Python: Bases et arguments

Couvre les bases des fonctions d'écriture en Python et travaille avec les arguments de fonction.