Séance de cours

Paysage et généralisation dans l'apprentissage profond

Description

Cette séance de cours explore le paysage des pertes et la performance dans l'apprentissage profond, en mettant l'accent sur les défis de la classification des données dans de grandes dimensions et la révolution dans l'intelligence artificielle. Il s'inscrit dans le paysage hautement dimensionnel et non convexe de l'apprentissage profond, en discutant du rôle de la surparamétrisation et de l'impact sur la généralisation. La séance de cours couvre également la quantification des fluctuations induites par l'initialisation, le noyau tangent neuronal et la description hydrodynamique de l'apprentissage des caractéristiques. En outre, il analyse le diagramme de phase pour l'apprentissage profond, le rôle de la surparamétrisation et la comparaison des performances entre les différents régimes. La clé à retenir est l'importance de la transition de brouillage et la performance optimale obtenue à proximité.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Séances de cours associées (389)
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.
Méthodes de noyau: Réseaux neuronaux
Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.
Fondements de l'apprentissage automatique
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Introduction à l'apprentissage automatique : apprentissage supervisé
Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
Afficher plus

Graph Chatbot

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.