Séance de cours

Systèmes de connaissances non conceptuels: transfert de style et traduction d'images

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.

Dans cours

DH-405: Foundations of digital humanities

This course introduces the core concepts and methodologies of Digital Humanities, integrating both theoretical and practical perspectives. Students learn to work with large-scale cultural datasets, acquiring the tools and techniques required for their proc ...

Description

Cette séance de cours couvre la séparation des représentations de style et de contenu dans les réseaux neuronaux convolutifs, l'utilisation d'espaces de fonctionnalité pour les informations de texture et la formation de GAN conditionnels pour la traduction d'image à image. Il explore également la traduction d'images non appariées, les réseaux antagonistes compatibles avec le cycle et l'apprentissage contrastif. L'instructeur discute de l'apprentissage auto-supervisé, des difficultés de modélisation des tâches auto-supervisées et des techniques d'apprentissage profond pour la prédiction vidéo. La séance de cours explore les alignements visuels et sémantiques profonds pour générer des descriptions d'images, des représentations non conceptuelles universelles et des boucles dans les systèmes de connaissances. Il conclut avec le potentiel des codeurs-décodeurs universels pour enrichir les données et comprendre les structures de données dans le moteur de représentation universelle.

Enseignant·e

Frédéric Kaplan

Courte biographie Le professeur Frédéric Kaplan dirige le Collège des Humanités de à l'école polytechnique fédérale de Lausanne (EPFL). Il est également titulaire de la chaire de Digital Humanities (humanités digitales / humanités numériques) et président de la Time Machine Organisation, une entité à but non lucratif regroupant plus de 600 institutions. Il est l'auteur d'une dizaine de livres, traduits en plusieurs langues, et de plus d'une centaine de publications scientifiques. Ses travaux ont également

Source officielle

Concepts associés (32)

Apprentissage profond

L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Apprentissage par renforcement profond

L'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.

Digital image processing

Digital image processing is the use of a digital computer to process s through an algorithm. As a subcategory or field of digital signal processing, digital image processing has many advantages over . It allows a much wider range of algorithms to be applied to the input data and can avoid problems such as the build-up of noise and distortion during processing. Since images are defined over two dimensions (perhaps more) digital image processing may be modeled in the form of multidimensional systems.

Knowledge-based systems

A knowledge-based system (KBS) is a computer program that reasons and uses a knowledge base to solve complex problems. The term is broad and refers to many different kinds of systems. The one common theme that unites all knowledge based systems is an attempt to represent knowledge explicitly and a reasoning system that allows it to derive new knowledge. Thus, a knowledge-based system has two distinguishing features: a knowledge base and an inference engine.

Apprentissage de représentations

En apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.

Afficher plus

Séances de cours associées (64)

Perception : Approches fondées sur les données

Explore la perception dans l'apprentissage profond pour les véhicules autonomes, couvrant la classification d'image, les méthodes d'optimisation, et le rôle de la représentation dans l'apprentissage automatique.

Systèmes de connaissances non conceptuels

Explore l'impact de l'apprentissage profond sur les humanités numériques, en se concentrant sur les systèmes de connaissances non conceptuels et les progrès récents de l'IA.

Introduction à l'apprentissage automatique

Fournit un aperçu de l'apprentissage automatique, y compris le contexte historique, les tâches clés, et les applications du monde réel.

Introduction à l'apprentissage automatique: Aperçu du cours et bases

Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.

Apprentissage autosupervisé pour les véhicules autonomes

Explore l'apprentissage autosupervisé pour les véhicules autonomes, en dérivant des étiquettes de données elles-mêmes et en discutant de ses applications et de ses défis.

Afficher plus

Concepts associés (32)

Apprentissage profond

Apprentissage par renforcement profond

Digital image processing

Knowledge-based systems

Apprentissage de représentations

Afficher plus