Séance de cours
Deep Learning: Réseaux convolutionnels
Séances de cours associées (90)
Apprentissage automatique distribué : algorithmes et défis
Explore les algorithmes d'apprentissage automatique distribués, les méthodes adaptatives pour les modèles d'attention, l'apprentissage collaboratif et les problèmes ouverts sur le terrain.
Apprentissage par machine de l'adversaire
Déplacez-vous dans l'apprentissage contradictoire de la machine, explorant des formulations d'optimisation et des exemples de robustesse.
Machines vectorielles de soutien: Classe interactive
Explore Support Vector Machines dans l'apprentissage automatique, en discutant SVM, vecteurs de support, unicité des solutions, et multi-classe SVM.
Les principes fondamentaux de l'apprentissage profondMOOC: Humanitarian Action in the Digital Age
Couvre les fondamentaux de l'apprentissage profond, des neurones artificiels aux réseaux modernes.
Gradient Descent: MNIST Dataset et perte logistique
Se concentre sur la mise en œuvre de la descente de gradient avec l'ensemble de données MNIST et la perte logistique dans l'apprentissage automatique.
Reconstruction de l'image médicale : de la base de modèles à la base de données
Explore l'évolution des techniques de reconstruction de l'image médicale, des méthodes classiques aux approches fondées sur les données à l'aide de réseaux neuronaux profonds.
RANSAC : Détection robuste des valeurs aberrantes et applications
Explore l'algorithme RANSAC pour la détection des valeurs aberrantes et ses diverses applications dans l'apprentissage automatique.
Réseau profond Diffractive: Informatique optique
Explore la mise en œuvre de réseaux neuronaux utilisant des couches diffractives et de la lumière cohérente pour l'informatique optique.
Environnements chimiques : Représentations et corrélations
Explore les représentations de l'environnement chimique, les corrélations symétriques et les applications d'apprentissage automatique à l'échelle atomique.
Robustesse dans l'intelligence visuelle
Explore la robustesse de l'intelligence visuelle, en abordant les changements de distribution, les exemples d'échec et les stratégies d'amélioration.