Séance de cours
Descente progressive : Optimisation et régularisation
Description
Cette séance de cours couvre l'algorithme de descente de gradient pour l'optimisation, y compris les techniques d'arrêt précoce et de régularisation. Il explique le processus de trouver le minimum d'une fonction en utilisant des mises à jour itératives et une régularisation implicite. Des exemples et des calculs mathématiques sont fournis pour illustrer les concepts.
Enseignant
non id
Sunt reprehenderit do adipisicing irure consectetur amet excepteur est eu velit. Esse culpa magna officia culpa consequat incididunt. Consectetur laboris laboris adipisicing aute officia eu deserunt eu. Magna quis occaecat ad irure eu. Id enim reprehenderit ut dolor quis voluptate tempor laborum. Ad amet ipsum non veniam consequat pariatur magna. Aliquip labore sunt incididunt reprehenderit aliquip aute enim do velit duis.
Source officielle
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.
Proximité ontologique
Séances de cours associées (50)
Méthodes de noyau: Réseaux neuronaux
Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.
Mécanique quantique : Observables et valeurs propres
Explore la mécanique quantique à travers des observables, des valeurs propres, et des opérateurs.
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.
Analyse complexe: formule intégrale de cauchy
Explore la formule intégrale de Cauchy dans l'analyse complexe et ses applications dans l'évaluation des intégrales complexes.
Espace d'intégration : AdS et Géométrie euclidienne
Couvre le concept d'intégration de l'espace pour la géométrie AdS et Euclidean, en discutant des isometries AdS et des annonces Euclidean.