Concept
Dimensional regularization
Séances de cours associées (31)
Sparse Regression
Couvre le concept de régression clairsemée et l'utilisation du bruit additif gaussien dans le contexte de l'estimateur et de la régularisation MAP.
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
Descente progressive
Couvre le concept de descente de gradient, un algorithme universel utilisé pour trouver le minimum d'une fonction.
Régularisation : Promouvoir des solutions optimales
Couvre la régularisation dans les problèmes les moins carrés, favorisant des solutions optimales tout en s'attaquant à des défis comme la non-unité, le mauvais conditionnement et le sur-ajustement.
Régression linéaire : Régression
Couvre la régression linéaire, la régularisation et les modèles probabilistes dans la génération d'étiquettes.
Réseaux de neurones : régularisation et optimisation
Explore la régularisation, l'optimisation et les conseils pratiques de mise en œuvre des réseaux neuronaux.
Classification linéaire : Régression logistique
Couvre la classification linéaire en utilisant la régression logistique, la régularisation et la classification multiclasse.
Modèles probabilistes pour la régression linéaire
Couvre le modèle probabiliste de régression linéaire et ses applications dans la résonance magnétique nucléaire et l'imagerie par rayons X.
Back-propagation: Comprendre les réseaux neuronaux
Explique la rétropropagation dans les réseaux neuronaux, la mise à jour des poids en fonction des erreurs et l'évaluation des réseaux par le biais de pertes d'entraînement et de tests.
Théorie quantique des champs : Computing Loops
Couvre le calcul des boucles dans la théorie quantique des champs, en se concentrant sur la régularisation dimensionnelle et l'espace euclidien.