Séance de cours
Modèles de diffusion
Description
Cette séance de cours couvre les modèles de diffusion, qui sont des modèles générateurs qui apprennent la distribution à partir de laquelle les échantillons de formation sont tirés à partir de données de formation. L'instructeur explique le concept de diffusion vers l'avant, en commençant par des données bruyantes et en éliminant progressivement le bruit à l'aide d'un réseau neuronal. La séance de cours se penche également sur le processus de production d'échantillons provenant de la même distribution, en optimisant sur elle en utilisant diverses techniques comme SGD, et l'importance de la dénigrement dans le contexte des modèles de diffusion.
Enseignant
ea ea enim eu
Et consequat ex incididunt ut dolor. Aute amet voluptate irure labore qui minim excepteur id do ullamco nisi dolor. Aliquip mollit consequat elit ullamco.
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 (206)
Deep Learning Modus Operandi
Explore les avantages des réseaux plus profonds dans l'apprentissage profond et l'importance de la surparamétrie et de la généralisation.
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.
Principes fondamentaux de l'apprentissage supervisé
Présente les principes fondamentaux de l'apprentissage supervisé, y compris les fonctions de perte et les distributions de probabilité.
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.
Boltzmann Machine
Introduit la machine Boltzmann, couvrant la cohérence d'attente, le regroupement des données, et les fonctions de distribution de probabilité.