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.

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.

Règles de voisinage les plus près: Partie 2

Explore les règles de voisinage les plus proches, les défis de l'algorithme k-NN, le classificateur Bayes et l'algorithme k-means pour le regroupement.

Modèles de génération profonde

Couvre les modèles génératifs profonds, y compris les auto-encodeurs variationnels, les GAN et les GAN convolutifs profonds.

Les lois de Newton : l'inertie et la motion

Couvre les première et deuxième lois de Newton, l'inertie, la force, l'élan et le principe de réaction d'action en mécanique.

Analyse des documents : Modélisation des sujets

Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.

Poussée de fusée et principes de conservation MOOC: Mécanique du Solide Indéformable

Explore les principes de conservation dans la poussée des fusées et la mesure de la vitesse d'éjection à l'Université Polytechnique.

Revue du Machine Learning

Couvre un examen des concepts d'apprentissage automatique, y compris l'apprentissage supervisé, la classification vs régression, les modèles linéaires, les fonctions du noyau, les machines vectorielles de soutien, la réduction de la dimensionnalité, les modèles génératifs profonds et la validation croisée.

Apprentissage sans supervision : regroupement et réduction de dimensionnalité

Introduit l'apprentissage non supervisé en cluster avec les moyennes K et la réduction de dimensionnalité à l'aide de PCA, ainsi que des exemples pratiques.

Réduction de la dimensionnalité : PCA et Kernel PCA

Couvre PCA, Kernel PCA et auto-encodeurs pour la réduction de dimensionnalité dans l'analyse des données.

Analyse de documents et modélisation de sujets

Couvre l'analyse documentaire, la modélisation thématique et les modèles génératifs profonds, y compris les auto-encodeurs et les GAN.

Apprentissage structuré : Algorithme de Chau-Lieu

Explore l'apprentissage structuré avec l'algorithme de Chau-Lieu et approfondit les bases de l'apprentissage profond et des réseaux neuronaux.

Énergie potentielle et conservation de l'énergie

Explore l'énergie potentielle, la conservation de l'énergie, la puissance de gravité et les scénarios de saut à la falaise.

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.

Mécanique : Cadres inertiels et non inertiels

Explore la mécanique dans les cadres inertiels et non inertiels, les forces de couverture, l'effet Coriolis et la formule Poisson.

Mécanique: Travail, Puissance, Énergie, Équilibre

Couvre les concepts de travail, de puissance, d'énergie, d'équilibre et de stabilité en mécanique.

Chaînes Monte Carlo Markov

Couvre l'apprentissage non supervisé, la réduction de dimensionnalité, SVD, l'estimation de bas grade, PCA, et les chaînes Monte Carlo Markov.