Séance de cours

Brises de l'apprentissage automatique

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)

Produits intelligents et connectés

Explore les produits intelligents et connectés et leur impact transformateur sur les entreprises, couvrant l'intelligence artificielle, l'apprentissage automatique, les modèles prédictifs, les méthodes de prévision et plus encore.

Réduction de dimensionnalité: PCA & t-SNE

Explore PCA et t-SNE pour réduire les dimensions et visualiser efficacement les données à haute dimension.

Bases d'apprentissage automatique : Apprentissage supervisé et non supervisé

Couvre les bases de l'apprentissage automatique, l'apprentissage supervisé et non supervisé, diverses techniques comme les voisins k-nearest et les arbres de décision, et les défis de l'ajustement excessif.

Apprentissage non supervisé : réduction de la dimensionnalité

Explore les techniques d'apprentissage non supervisées pour réduire les dimensions des données, en mettant l'accent sur l'APC, l'ADL et l'APC du noyau.

Apprentissage supervisé : Régression linéaire

Couvre l'apprentissage supervisé en mettant l'accent sur la régression linéaire, y compris des sujets comme la classification numérique, la détection des pourriels et la prédiction de la vitesse du vent.

Comprendre les classificateurs ImageNet

Explore la généralisation des classificateurs ImageNet et les défis à relever pour obtenir des modèles d'apprentissage automatique fiables.

Paysage et généralisation dans l'apprentissage profond

Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.

Machine Learning : Fonctionnalités et sélection de modèles

Plongez dans l'importance des fonctionnalités, de l'évolution des modèles, des défis d'étiquetage et de la sélection des modèles dans l'apprentissage automatique.

Classification : Introduction

Couvre le clustering, le clustering semi-supervisé et la formalisation de classification binaire, ainsi que diverses techniques de classification.

Regroupement: K-means & LDA

Couvre le clustering en utilisant les propriétés K-means et LDA, PCA, K-means, Fisher LDA et le clustering spectral.

Bases de l'apprentissage automatique

Couvre les bases de l'apprentissage automatique, y compris les techniques supervisées et non supervisées, la régression linéaire et la formation des modèles.

Espace d'hypothèse et tâche d'apprentissage

Explore l'espace des hypothèses, les tâches d'apprentissage supervisées, les fonctions de coût et la minimisation des risques 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.

Représentation de l'image

Explore l'évolution de la représentation de l'image, les défis dans l'apprentissage supervisé, les avantages de l'apprentissage auto-supervisé, et les progrès récents dans SSL.

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.

Régression linéaire : fondements et applications

Introduit la régression linéaire, couvrant ses fondamentaux, ses applications et ses mesures d'évaluation dans l'apprentissage automatique.

Apprentissage actif pour le design moléculaire

Couvre les approches d'apprentissage automatique pour la conception du matériel, des exemples pratiques et des outils logiciels pour la recherche.

La vue statistique : les modèles génératifs

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

Mathématiques des données : modèles et apprentissage

Explore les modèles, les paradigmes d'apprentissage et les applications en mathématiques des données.

Apprentissage automatique: Types et applications

Couvre les types d'apprentissage automatique, y compris les apprentissages supervisés, non supervisés et renforcés.