Séance de cours

Résolution d'entités : Techniques et applications

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 (62)

Clustering: Théorie et pratique

Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.

K-Means Clustering : bases et applications

Présentation de K-Means Clustering, un algorithme simple mais efficace pour regrouper des points de données en clusters.

Estimation du regroupement et de la densité

Couvre les algorithmes de clustering, PCA, LDA, K-means, GMM, KDE et Mean Shift pour l'estimation de la densité et le clustering.

Introduction à l'apprentissage automatique

Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.

Regroupement: K-means & LDA

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

Kernel K-moyens de regroupement

Explore Kernel K- signifie regroupement, interprétation des solutions, traitement des données manquantes, et sélection des ensembles de données pour l'apprentissage automatique.

Clustering: Apprentissage sans supervision

Explore la réduction de la dimensionnalité, les algorithmes de clustering et l'état de l'apprentissage automatique.

Exploitation efficace des données : Clustering

Explore le clustering d'actifs, l'optimisation de portefeuille et la dynamique de l'état du marché.

Organisation et indexation des fichiers

Explore l'organisation des fichiers, les formats d'enregistrement, les techniques d'indexation et les classifications d'index dans les bases de données, en soulignant l'importance d'un stockage et d'un accès efficaces aux données.

FOCAL3D: Algorithme de regroupement pour SMLM

Introduit FOCAL3D, un algorithme de regroupement rapide pour SMLM, traitant de la sélection des paramètres et des problèmes d'exécution.

Kernel K-means: Analyse et applications

Explore l'algorithme Kernel K-means, son analyse, ses applications et ses limites dans le clustering.

Coloration graphique: aléatoire vs symétrique

Comparer la coloration aléatoire et symétrique des graphiques en termes de coloration et d'équilibre des amas.

Clustering: Méthodes hiérarchiques et méthodes K-means

Introduit des méthodes de regroupement hiérarchique et k-means, en discutant des approches de construction, des fonctions de liaison, de la méthode de Ward, de l'algorithme Lloyd et de k-means++.

Kernel K-Means: Preuve de convergence

Explore l'algorithme du noyau K-Means, la preuve de convergence, l'influence du noyau RBF et l'interprétation des regroupements.

Réduction de la dimensionnalité : PCA et LDA

Couvre les techniques de réduction de dimensionnalité telles que PCA et LDA, les méthodes de clustering, l'estimation de la densité et la représentation des données.

Modèles du sujet: Comprendre les structures latentes

Explore les modèles thématiques, les modèles de mélange gaussien, la répartition des dirichlets latents et l'inférence variationnelle dans la compréhension des structures latentes à l'intérieur des données.

Caractérisation des clusters : Homogénéité, Séparabilité

Explore le centroïde, le médioïde, l'homogénéité, la séparabilité dans le clustering, l'évaluation de la qualité, la stabilité, les connaissances d'experts et les algorithmes de clustering.

Fondements de l'apprentissage automatique

Couvre des concepts clés et des exemples d'algorithmes et de techniques d'apprentissage automatique.

Méthode K-Means du noyau

Introduit la méthode k-means du noyau pour former des grappes non convexes et discute du regroupement par densité pour identifier les régions denses dans les ensembles de données.

Fondements de l'apprentissage automatique

Présente les bases de l'apprentissage automatique, les mesures de performance, les techniques d'optimisation et l'évaluation des modèles.