TensorFlow

Applied sciences
Information engineering
Apprentissage automatique
Réseau de neurones artificiels

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (22)

Connectez-vous pour filtrer par séance de cours

Page 1 sur 3

Réseaux neuronaux : formation et activation

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

PyTorch et réseaux convolutifs

Couvre la structure des données du tenseur PyTorch et forme un CNN pour classer les images.

Segmentation du document: dhSegment

Explore le développement et les améliorations de dhSegment, un package de segmentation de documents open source utilisant PyTorch.

Régression : Hautes Dimensions

Explore la régression linéaire en dimensions élevées et la prévision pratique des prix des maisons à partir d'un ensemble de données.

Deep Learning: Réseaux convolutionnels

Explore les réseaux neuronaux convolutionnels, la rétropropagation et la descente stochastique en gradient dans l'apprentissage profond.

Deep Learning Blocks Buildings

Couvre les tenseurs, les fonctions de perte, l'autograde et les couches de convolution dans l'apprentissage profond.

Réseaux neuronaux : formation et optimisation

Explore la formation et l'optimisation des réseaux neuronaux, en abordant des défis tels que les fonctions de perte non convexes et les minima locaux.

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.

Calcul quantique: Mécanismes et avantages des modèles restreints

Couvre les mécanismes derrière le calcul quantique et explore les avantages des modèles de calcul restreints.

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.