Descente de gradient stochastique: théorie et applications

À propos
Confidentialité
Mentions légales

Graph Chatbot

Dans cours

DEMO: quis fugiat aliquip sit

Duis aute exercitation veniam dolore. Exercitation voluptate nisi cupidatat commodo. Non cillum duis id ex sit commodo nisi. Proident ut et eu ipsum ipsum labore id consequat excepteur. Ullamco reprehenderit est mollit Lorem laboris aliqua.

Description

Cette séance de cours couvre la théorie et les applications de la descente de gradient stochastique (SGD), en se concentrant sur le processus d'optimisation et les fondements mathématiques qui le sous-tendent. L'instructeur explique comment SGD fonctionne, ses avantages et ses implémentations pratiques dans les modèles d'apprentissage automatique.

Enseignant

do dolor nostrud ullamco

Ex commodo esse reprehenderit excepteur et aute. Labore mollit aliquip commodo culpa. Minim aute laborum laboris veniam laborum amet in qui id et proident.

Source officielle

Séances de cours associées (27)

https://mediaspace.epfl.ch/media/0_gzq55h5s

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.

Dans cours

DEMO: quis fugiat aliquip sit

Enseignant

do dolor nostrud ullamco

Ex commodo esse reprehenderit excepteur et aute. Labore mollit aliquip commodo culpa. Minim aute laborum laboris veniam laborum amet in qui id et proident.

Séances de cours associées (27)

Afficher plus

Deep Learning Blocks Buildings

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

Proximal Gradient Descent: Techniques d'optimisation dans l'apprentissage automatique

Discute de la descente du gradient proximal et de ses applications dans l'optimisation des algorithmes d'apprentissage automatique.

Techniques d'optimisation: Vue d'ensemble de la méthode de gradient

Discute de la méthode de gradient pour l'optimisation, en se concentrant sur son application dans l'apprentissage automatique et les conditions de convergence.

Techniques d'optimisation: Descente de gradient stochastique et au-delà

Discute des techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la descente de gradient stochastique et ses applications dans les problèmes contraints et non convexes.

Optimisation : descente de gradient et sous-gradients

Explore des méthodes d'optimisation telles que la descente de gradient et les sous-gradients pour la formation de modèles d'apprentissage automatique, y compris des techniques avancées telles que l'optimisation d'Adam.