Séance de cours
Machine de Boltzmann : RBM
Description
Cette séance de cours explore la machine de Boltzmann avec des unités cachées, connue sous le nom de machine de Boltzmann restreinte (RBM), qui améliore lexpressivité du modèle en introduisant des variables cachées. L'instructeur explique la fonction d'énergie, les procédures de formation et le RBM simplifié, en soulignant son praticité et son efficacité par rapport à la machine Boltzmann standard. La séance de cours aborde également la possibilité de RBM multicouches, fournissant un aperçu de leur structure et de leurs méthodes de formation.
Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.
Regarder sur MediaspaceSource 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 (36)
Dynamique des réseaux neuronaux linéaires
Explore la dynamique d'apprentissage des réseaux neuronaux profonds en utilisant des réseaux linéaires pour l'analyse, couvrant les réseaux à deux couches et à plusieurs couches, l'apprentissage autosupervisé et les avantages de l'initialisation découplée.
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.
Perception : Approches fondées sur les données
Explore la perception dans l'apprentissage profond pour les véhicules autonomes, couvrant la classification d'image, les méthodes d'optimisation, et le rôle de la représentation dans l'apprentissage automatique.
Modèles génériques: Prévisions de trajectoire
Explore des modèles générateurs pour la prévision de trajectoires dans les véhicules autonomes, y compris des modèles discriminatifs vs générateurs, VAES, GANS, et des études de cas.
Perception : Défis de classification des images
Couvre les défis de classification d'images, les concepts d'apprentissage automatique, la régression linéaire et l'approche voisine la plus proche dans les véhicules autonomes.