Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Réseau profond Diffractive: Informatique optique

Dans cours

MICRO-722: 3D Printing with light

Optical aspects of 3D printing technology. This includes optical systems for scanning and excitation, photopolymers, glass and other photoactive materials, and optical components fabricated with 3D printing technology. ...

Description

Cette séance de cours de l'instructeur couvre la mise en œuvre de réseaux de neurones utilisant des couches diffractives et de la lumière cohérente, en se concentrant sur l'informatique optique. Il explore la conception de systèmes optiques spécifiques à une tâche, l'apprentissage automatique entièrement optique et les réseaux neuronaux optiques diffractifs. La présentation comprend également des expériences de classification, d'impression de couches diffractives et de résultats de chiffres MNIST.

Enseignant·e·s (2)

Christophe Moser

Christophe Moser is Associate Professor of Optics and the Section Director in the Microengineering department at EPFL. He obtained his PhD at the California Institute of Technology in optical information processing in 2000. He co-founded and was the CEO of Ondax Inc (acquired by Coherent Inc.), Monrovia California for 10 years before joining EPFL in 2010. His current interests are ultra-compact endoscopic optical imaging through multimode fibers, multimode fiber lasers, retinal imaging and additive manufacturing via volumetric 3D printing with light. He is the co-founder of Composyt light lab in the field of head worn displays in 2014 (acquired by Intel Corp), Earlysight SA and Readily3D. He is the author and co-author of 75 peer reviewed publications and 45 patents.

Demetri Psaltis

Source officielle

Proximité ontologique

Information engineering

Apprentissage automatique: Réseau de neurones artificiels

Concepts associés (32)

Imprimerie

thumb|Johannes Gutenberg, inventeur de la presse mécanique à caractère alphabétique mobile métallique à partir de 1450. L'imprimerie est un ensemble de techniques permettant la reproduction en grande quantité, sur support matériel, d'écrits et d'illustrations, cela afin d'en permettre une distribution de masse. Généralement, on utilise des supports plans et la matière la plus utilisée est le papier ou le textile. Ces techniques forment ce que l'on appelle communément la chaîne graphique.

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.

Reconnaissance de l'écriture manuscrite

La reconnaissance de l’écriture manuscrite (en anglais, handwritten text recognition ou HTR) est un traitement informatique qui a pour but de traduire un texte écrit en un texte codé numériquement. Il faut distinguer deux reconnaissances distinctes, avec des problématiques et des solutions différentes : la reconnaissance en-ligne ; la reconnaissance hors-ligne. La reconnaissance de l’écriture manuscrite fait appel à la reconnaissance de forme, mais également au traitement automatique du langage naturel.

Réseau de neurones récurrents

Un réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.

Apprentissage automatique

L'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.

Afficher plus

Séances de cours associées (32)

Réseaux neuronaux : formation et activation

Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.

Réseaux neuronaux : Réseau neuronal à deux couches

Couvre les bases des réseaux neuraux, en mettant l'accent sur le développement des réseaux neuraux de deux couches vers les réseaux neuraux profonds.

Deep Learning : réseaux neuronaux convolutifs

Couvre les réseaux neuronaux convolutifs, les architectures standard, les techniques de formation et les exemples contradictoires en apprentissage profond.

Réseaux neuronaux : apprentissage multicouche

Couvre les fondamentaux des réseaux neuronaux multicouches et de l'apprentissage profond, y compris la propagation arrière et les architectures réseau comme LeNet, AlexNet et VGG-16.

Physique statistique dans l'apprentissage automatique: Comprendre l'apprentissage profond

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.

Afficher plus

Concepts associés (32)

Imprimerie

Apprentissage profond

Reconnaissance de l'écriture manuscrite

Réseau de neurones récurrents

Apprentissage automatique

Afficher plus