Séance de cours

Encodeur pour la Force et la Vision dans la Manipulation

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.

Description

Cette séance de cours traite de la combinaison de la force et de la vision dans une représentation dimensionnelle inférieure pour la manipulation des clés de contact, dans le but d'améliorer l'efficacité des tâches d'apprentissage en aval. S'inspirant de la théorie de la perception de Helmholtz, le présentateur propose d'évaluer les représentations apprises en utilisant l'information mutuelle entre l'état complet et la représentation apprise.

Source officielle

Proximité ontologique

Physique

Mécanique (science): Mécanique newtonienne

Concepts associés (32)

Force (physique)

Une force modélise, en physique classique, une action mécanique exercée sur un objet ou une partie d'un objet par un autre objet ou partie d'objet. L'ensemble des forces appliquées à un objet a pour effet de lui communiquer une accélération ou de le déformer. Introduit antérieurement , le concept de force a été précisé en 1684 par Isaac Newton, qui en a fait l'un des fondements de la mécanique newtonienne. Le concept de force est ancien, mais il a mis longtemps à obtenir une nouvelle définition utilisable.

Auto-encodeur variationnel

En apprentissage automatique, un auto-encodeur variationnel (ou VAE de l'anglais variational auto encoder), est une architecture de réseau de neurones artificiels introduite en 2013 par D. Kingma et M. Welling, appartenant aux familles des modèles graphiques probabilistes et des méthodes bayésiennes variationnelles. Les VAE sont souvent rapprochés des autoencodeurs en raison de leur architectures similaires. Leur utilisation et leur formulation mathématiques sont cependant différentes.

Auto-encodeur

Un auto-encodeur (autoencodeur), ou auto-associateur est un réseau de neurones artificiels utilisé pour l'apprentissage non supervisé de caractéristiques discriminantes. L'objectif d'un auto-encodeur est d'apprendre une représentation (encodage) d'un ensemble de données, généralement dans le but de réduire la dimension de cet ensemble. Récemment, le concept d'auto-encodeur est devenu plus largement utilisé pour l'apprentissage de modèles génératifs.

Équations de Lagrange

vignette|Joseph-Louis Lagrange Les équations de Lagrange, découvertes en 1788 par le mathématicien Joseph-Louis Lagrange, sont une reformulation de la mécanique classique. Il s'agit d'une reformulation de l'équation de Newton, qui ne fait pas intervenir les forces de réaction. Pour cela, on exprime les contraintes que subit la particule étudiée sous la forme d'équations du type : Il n'y a qu'une équation si le mouvement est contraint à une surface, deux s'il est contraint à une courbe.

Information mutuelle

Dans la théorie des probabilités et la théorie de l'information, l'information mutuelle de deux variables aléatoires est une quantité mesurant la dépendance statistique de ces variables. Elle se mesure souvent en bit. L'information mutuelle d'un couple de variables représente leur degré de dépendance au sens probabiliste. Ce concept de dépendance logique ne doit pas être confondu avec celui de causalité physique, bien qu'en pratique l'un implique souvent l'autre.

Afficher plus

Séances de cours associées (64)

Comprendre les auto-encodeurs

Explore les autoencodeurs, des mappages linéaires en PCA aux mappages non linéaires, aux autoencodeurs profonds et à leurs applications.

Fondements de l'apprentissage automatique

Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.

Réduction de dimensionnalité: PCA & Codeurs automatiques

Explore PCA, Autoencoders, et leurs applications dans la réduction de dimensionnalité et la production de données.

Modèles de génération profonde: Codeurs automatiques et GANs

Explore les codeurs automatiques et les réseaux d'adversaires génériques pour la modélisation generative profonde.

Réduction de la dimensionnalité non linéaire

Couvre les techniques de réduction de dimensionnalité non linéaire à l'aide d'autoencodeurs, d'autoencodeurs profonds et d'autoencodeurs convolutifs pour diverses applications.

Afficher plus

Concepts associés (32)

Force (physique)

Auto-encodeur variationnel

Auto-encodeur

Équations de Lagrange

Information mutuelle

Afficher plus