Concept
Réseau de neurones artificiels
Séances de cours associées (796)
Prévisions de trajectoire dans les véhicules autonomes
Explore la prévision des trajectoires dans les véhicules autonomes, en mettant l'accent sur les modèles d'apprentissage profond pour prédire les trajectoires humaines dans les scénarios de transport socialement conscients.
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.
Analyse des documents : Modélisation des sujets
Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.
Les principes fondamentaux de l'apprentissage profond
Introduit des fondamentaux d'apprentissage profond, couvrant les représentations de données, les réseaux neuronaux et les réseaux neuronaux convolutionnels.
Réseaux de neurones: caractéristiques aléatoires et régression du noyau
Explore les caractéristiques aléatoires dans les réseaux neuronaux et la régression du noyau en utilisant la descente de gradient stochastique.
Neurosciences et Machine Learning
Explore la relation complexe entre les neurosciences et l'apprentissage automatique, en soulignant les défis de l'analyse des données neuronales et le rôle des outils d'apprentissage automatique.
Réseaux neuronaux génératifs : Échantillonnage et formation
Couvre les réseaux neuronaux génératifs, en se concentrant sur l'échantillonnage, l'entraînement et l'ajout de bruit.
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
Bâtir des réseaux neuraux : stratégies d'assemblage
Se concentre sur l'assemblage des éléments constitutifs du réseau neuronal et sur la gestion de la rareté des données à l'aide de diverses stratégies et hypothèses.
Les principes fondamentaux de l'apprentissage profond
Introduit un apprentissage profond, de la régression logistique aux réseaux neuraux, soulignant la nécessité de traiter des données non linéairement séparables.