Explore l'apprentissage multi-tâches pour l'optimisation accélérée des réactions chimiques, les défis de mise en évidence, les workflows automatisés et les algorithmes d'optimisation.
Couvre l'optimisation non convexe, les problèmes d'apprentissage profond, la descente stochastique des gradients, les méthodes d'adaptation et les architectures réseau neuronales.
Couvre l'évaluation de la stabilité des protéines en utilisant RFP et GFP, la cytométrie de flux, la mutagénèse, les rapporteurs de calcium et les expériences CRISPR-Cas9.
Explore l'optimisation du système énergétique de l'EPFL en définissant les exigences, en analysant les options et en appliquant des techniques d'optimisation.
Explore l'optimisation de la conception des capteurs et des protéines bioluminescentes pour la surveillance des médicaments et la visualisation des métabolites.
Explore l'optimisation de l'énergie dans les systèmes de mémoire, en soulignant l'importance des hiérarchies de mémoire et des compromis entre fiabilité et actualité.
Couvre l'application et l'optimisation d'un système de pompe à chaleur en deux étapes, en mettant l'accent sur la modélisation et l'optimisation précises pour les systèmes énergétiques.
Explore l'application de modèles générateurs profonds dans la découverte de médicaments, en mettant l'accent sur la conception de petites molécules et l'optimisation des structures moléculaires.
Introduit l’approche d’apprentissage par projet de l’EPFL pour optimiser les systèmes énergétiques à travers la théorie, les tâches de projet et les outils.
Couvre les options de brainstorming pour les changements de fonctionnement intelligents, la récupération de chaleur, et les performances du panneau PV.
Explore les systèmes de contrôle moteur, couvrant les algorithmes, l'intégration de capteurs et les applications pratiques en robotique et en automatisation.
Explore la conception de la surface de réponse, en mettant l'accent sur le manque d'analyse de l'ajustement et de modèles quadratiques, avec des exemples pratiques dans Matlab.
Discute de la descente de gradient stochastique et de son application dans l'optimisation non convexe, en se concentrant sur les taux de convergence et les défis de l'apprentissage automatique.
