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 la récupération d'informations probabilistes, la pertinence de la modélisation en tant que probabilité, l'expansion des requêtes et la génération automatique de thésaurus.
Couvre la recherche probabiliste de l'information, les modèles de probabilité d'interrogation, la modélisation du langage et les algorithmes de rétroaction de pertinence.
Couvre les modèles probabilistes d'extraction, les mesures d'évaluation, la probabilité de la requête, la rétroaction sur la pertinence de l'utilisateur et l'expansion de la requête.
Couvre la récupération d'informations probabilistes, y compris le modèle de vraisemblance des requêtes, la modélisation du langage et les techniques de lissage pour les termes non récurrents.
Présente les bases de la récupération d'informations, couvrant la représentation de documents, l'expansion des requêtes et TF-IDF pour le classement des documents.
Introduit les bases de la recherche de l'information, couvrant la recherche par texte et booléen, la recherche de l'espace vectoriel et le calcul de la similitude.
Couvre les bases de la récupération d'informations à l'aide de modèles d'espace vectoriel et d'exercices pratiques sur la rétroaction de pertinence et la numérisation de la liste de publication.
S'inscrit dans les limites fondamentales de l'apprentissage par gradient sur les réseaux neuronaux, couvrant des sujets tels que le théorème binôme, les séries exponentielles et les fonctions génératrices de moments.
Couvre le 'V-Model' de l'ingénierie des systèmes, en mettant l'accent sur les bonnes exigences, l'architecture du système, la génération de concepts et la sélection de concepts.
Explore le degré de nœud et la force dans les neurosciences réseau, en discutant des réseaux aléatoires et réels et les défis d'adapter les lois de puissance aux données réelles.
Explore les modèles de préformation comme BERT, T5 et GPT, en discutant de leurs objectifs de formation et de leurs applications dans le traitement des langues naturelles.
Explore les épidémies dans les données de réseau, couvrant le modèle SIR, le rapport de reproduction de base, la percolation, les réseaux dirigés et l'estimation de la probabilité maximale.
Explore l'avancement des modèles système de l'intelligence humaine au moyen d'analyses comparatives intégrées et de l'importance de Brain-Score pour des comparaisons équitables de modèles.
Couvre les modèles d'espace d'état et leur expressivité par rapport aux transformateurs, en se concentrant sur les mécanismes d'attention et l'efficacité informatique.
Couvre l'estimation maximale de la probabilité, en mettant l'accent sur l'estimation-distribution ML, l'estimation de la réduction et les fonctions de perte.
Explore les probabilités avancées, les variables aléatoires et les valeurs attendues, avec des exemples pratiques et des quiz pour renforcer l'apprentissage.
