Les principes fondamentaux de l'apprentissage profond
Graph Chatbot
Chattez avec Graph Search
Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.
AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.
Explore les méthodes stochastiques pour les systèmes quantiques, y compris la diagonalisation exacte, les méthodes variationnelles, les réseaux neuronaux et l'apprentissage automatique.
Introduit des réseaux neuronaux convolutifs, couvrant les couches entièrement connectées, les convolutions, la mise en commun, les traductions PyTorch et des applications telles que l'estimation de pose à la main et l'estimation de tubalité.
Explore l'ensachage en tant que méthode de régularisation dans l'apprentissage en profondeur, en formant plusieurs variantes de modèles sur différents sous-ensembles de données pour améliorer la généralisation.
Explore GLM, tests statistiques, signaux neuraux et traitement des signaux, couvrant les contrastes, les comparaisons multiples, les tests F, la connectivité fonctionnelle, l'IRMf à l'état de repos et les méthodes multivariées.
Explore l'apprentissage par machine contradictoire, les réseaux d'adversaires génériques et les défis des exemples d'adversaires dans l'optimisation des données.
Explore les défis d'apprentissage avec les déplacements de distribution et la géométrie de perturbation, en mettant l'accent sur des classificateurs robustes et la modélisation de variation naturelle.
Explore les modèles linéaires, la régression, la prédiction multi-sorties, la classification, la non-linéarité et l'optimisation basée sur le gradient.
Explore l'avancement des modèles système de l'intelligence humaine au moyen d'analyses comparatives intégrées et de l'importance de Brain-Score pour des comparaisons équitables de modèles.
