Séance de cours

Science environnementale computationnelle : Observation de la Terre

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.

Description

Cette séance de cours de l'instructeur couvre le domaine des sciences informatiques environnementales et de l'observation de la Terre, en mettant l'accent sur l'élaboration de modèles d'apprentissage approfondi précis et évolutifs pour la surveillance de l'environnement. La séance de cours traite de l'intégration des connaissances de domaine dans les modèles de répartition des espèces, de l'utilisation de l'apprentissage automatique dans la surveillance des récifs coralliens et des forêts, et de l'application de l'apprentissage profond dans la détection de la pollution plastique dans les océans. Il examine également l'importance des approches axées sur les connaissances dans l'apprentissage automatique et les progrès de la compréhension des langues pour améliorer la recherche d'images.

Source officielle

Concepts associés (28)

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.

Compréhension du langage naturel

vignette|L'apprentissage de la lecture par Sigurður málari, siècle. La compréhension du langage naturel (NLU en anglais) ou linterprétation en langage naturel (NLI) est une sous-rubrique du traitement de la langue naturelle en intelligence artificielle qui traite de la compréhension en lecture automatique. La compréhension du langage naturel est considérée comme un problème difficile en IA. Il existe un intérêt commercial considérable dans ce domaine en raison de son application à la collecte de nouvelles, à la catégorisation des textes, à l'activation vocale, à l'archivage et à l'analyse de contenu à grande échelle.

Image retrieval

An image retrieval system is a computer system used for browsing, searching and retrieving images from a large database of digital images. Most traditional and common methods of image retrieval utilize some method of adding metadata such as captioning, keywords, title or descriptions to the images so that retrieval can be performed over the annotation words. Manual image annotation is time-consuming, laborious and expensive; to address this, there has been a large amount of research done on automatic image annotation.

Récif corallien

thumb|upright=1.5|Le corail, dont les colonies forment les récifs. thumb|upright=1.5|Colonie d’Acropora pulchra. Un récif corallien ou barrière de corail est une structure naturelle bioconstruite à l'origine de laquelle sont essentiellement les coraux. La plus grande de ces formations, la Grande Barrière de corail, au large des côtes australiennes, s'étend sur quelque et est visible depuis l'espace. La Nouvelle-Calédonie quant à elle, abrite dans ses lagons le deuxième ensemble corallien de la planète et la plus longue barrière récifale continue avec ses .

Q-learning

vignette|400x400px|Dans le Q-learning, l'agent exécute une action a en fonction de l'état s et d'une fonction Q. Il perçoit alors le nouvel état s' et une récompense r de l'environnement. Il met alors à jour la fonction Q. Le nouvel état s' devient alors l'état s, et l'apprentissage continue. En intelligence artificielle, plus précisément en apprentissage automatique, le Q-learning est un algorithme d'apprentissage par renforcement. Il ne nécessite aucun modèle initial de l'environnement.

Afficher plus

Séances de cours associées (47)

Réseaux neuronaux multicouches: Deep Learning

Couvre les fondamentaux des réseaux neuronaux multicouches et de l'apprentissage profond.

Science environnementale computationnelle : Observation de la Terre

Explore les sciences informatiques environnementales et l'observation de la Terre à l'aide de modèles d'apprentissage automatique pour la surveillance précise de la Terre à travers diverses sources de données.

Apprentissage profond pour les véhicules autonomes: Apprentissage

Explore l'apprentissage en apprentissage profond pour les véhicules autonomes, couvrant les modèles prédictifs, RNN, ImageNet, et l'apprentissage de transfert.

Démarrage et alignement

Explore l'incitation, l'alignement et les capacités des grands modèles de langage pour les tâches de traitement du langage naturel.

Techniques d'apprentissage par renforcement profondes et robustes

Discute des techniques avancées d'apprentissage par renforcement, en se concentrant sur des méthodes profondes et robustes, y compris des cadres d'acteur-critique et des stratégies d'apprentissage contradictoire.

Afficher plus

Concepts associés (28)

Apprentissage profond

Compréhension du langage naturel