Séance de cours

Variations du SARSA : apprentissage prévu du SARSA et du Q

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)

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.

Comprendre la neurorobotique

Explore le lien entre l'intelligence, le cerveau et le comportement à travers la neurorobotique.

Les principes fondamentaux de l'apprentissage profond

Introduit des fondamentaux d'apprentissage profond, couvrant les représentations de données, les réseaux neuronaux et les réseaux neuronaux convolutionnels.

Deep Learning : Représentation des données et réseaux neuronaux

Couvre les techniques de représentation des données et les réseaux neuronaux en apprentissage profond.

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

Explore les raisons de l'abondance des points de selle dans l'optimisation de l'apprentissage en profondeur, en mettant l'accent sur les arguments statistiques et géométriques.

Prouvable et généralisable Robustness in Deep Learning

Explore des exemples contradictoires, des défenses et une robustesse certifiée dans l'apprentissage profond, y compris le lissage gaussien et les attaques perceptuelles.

Deep Learning: Représentations de données et réseaux neuraux

Couvre les représentations de données, le sac de mots, les histogrammes, le prétraitement des données et les réseaux neuronaux.

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.

Deep Learning : réseaux neuronaux convolutifs

Couvre les réseaux neuronaux convolutifs, les architectures standard, les techniques de formation et les exemples contradictoires en apprentissage profond.

Apprentissage profond pour les véhicules autonomes: Apprentissage

Explore l'apprentissage en apprentissage profond pour les véhicules autonomes, couvrant les modèles prédictifs, RNN, ImageNet, et l'apprentissage de transfert.

Décrochage: astuces du commerce

Explore le Dropout en tant que méthode de régularisation dans les réseaux neuronaux profonds, en mettant l'accent sur sa mise en œuvre pratique et son efficacité.

Introduction à l'apprentissage sensoriel

Explore les représentations de capteurs et les règles d'apprentissage pour comprendre comment les représentations de capteurs complexes émergent.

Q-Learning profond: DeepRL1.1

Couvre le Q-learning profond dans les réseaux neuronaux profonds, son application dans les jeux, la rétropropagation, les valeurs Q et les valeurs V.

Physique statistique de l'apprentissage

Offre des informations sur la physique statistique de l'apprentissage, explorant la relation entre la structure du réseau neuronal et les systèmes désordonnés.

Caractéristique universelle de la formation intrajournalière des prix

Explore la caractéristique universelle de la formation de prix intrajournalière en utilisant des techniques d'apprentissage en profondeur pour prévoir les changements de prix en fonction de l'historique des flux d'ordres.

Normalisation par lots: pourquoi cela fonctionne

Explore le but et le processus de normalisation par lots dans les réseaux neuronaux profonds, en soulignant son importance dans la stabilisation de l'entrée moyenne et la résolution du problème du gradient de fuite.

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.

Couches convolutive : Quiz

Présente un quiz sur les couches convolutionnelles, explorant les poids, l'invariance et les méthodes de mise en commun.

Image Processing II: Réseaux de neurones et CNN

Explore l'évolution des CNN dans le traitement de l'image, couvrant les réseaux neuronaux classiques et profonds, les algorithmes d'entraînement, la rétropropagation, les étapes non linéaires, les fonctions de perte et les frameworks logiciels.

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.