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.
Plonge dans la propagation en arrière dans l'apprentissage profond, répondant au défi de la disparition du gradient et à la nécessité d'unités cachées efficaces.
Introduit des réseaux neuronaux convolutionnels (RCN) pour les véhicules autonomes, couvrant l'architecture, les applications et les techniques de régularisation.
Couvre un cours intensif sur l'apprentissage profond, y compris le Mark I Perceptron, les réseaux neuronaux, les algorithmes d'optimisation et les aspects de formation pratique.
Couvre l'optimisation non convexe, les problèmes d'apprentissage profond, la descente stochastique des gradients, les méthodes d'adaptation et les architectures réseau neuronales.
Explore les réseaux liquides pour le contrôle d'apprentissage dans les systèmes autonomes, en mettant l'accent sur l'apprentissage de bout en bout et la performance robuste.
Couvre les concepts clés de l'apprentissage par renforcement, des réseaux neuronaux, du clustering et de l'apprentissage non supervisé, en mettant l'accent sur leurs applications et leurs défis.
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.
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.
Explore l'ensachage en tant que méthode de régularisation dans l'apprentissage en profondeur, en formant plusieurs variantes de modèles sur différents sous-ensembles de données pour améliorer la généralisation.
Couvre les techniques de réduction de dimensionnalité non linéaire à l'aide d'autoencodeurs, d'autoencodeurs profonds et d'autoencodeurs convolutifs pour diverses applications.
Explore les modèles de diffusion dans la modélisation générative, couvrant lestimation de probabilité, la génération de données et lévaluation des modèles.
Explore l'application de la physique statistique à la compréhension de l'apprentissage profond en mettant l'accent sur les réseaux neuronaux et les défis de l'apprentissage automatique.
Couvre le processus de formation d'un réseau neuronal, y compris l'avancement, la fonction de coût, la vérification des gradients et la visualisation des couches cachées.
Couvre les questions pratiques et les objectifs de l'apprentissage profond, y compris les types de neurones, l'architecture du réseau, l'optimisation et l'initialisation du poids.
Explore des exemples contradictoires, des défenses et une robustesse certifiée dans l'apprentissage profond, y compris le lissage gaussien et les attaques perceptuelles.
