Séance de cours

La généralisation dans l'apprentissage profond

Dans cours
DEMO: culpa quis
Consectetur est tempor exercitation pariatur ipsum tempor est aliquip dolor aliqua. Occaecat sunt voluptate nulla aliqua aute proident proident sunt non ad aliqua do aute. Ullamco mollit culpa velit aute nostrud tempor elit ullamco in reprehenderit laborum mollit commodo commodo. Laborum consectetur ut id commodo tempor non Lorem occaecat enim. Do esse voluptate consequat veniam esse sunt deserunt duis cupidatat nisi sit irure elit excepteur. Officia laboris consequat officia aliquip aliqua officia do.
Connectez-vous pour voir cette section
Description

Cette séance de cours s'inscrit dans le concept de généralisation de l'apprentissage profond, explorant le compromis entre la complexité du modèle et le risque attendu. Les sujets abordés comprennent le compromis classique, les limites de généralisation, la régularisation implicite et le phénomène de double descente. L'instructeur discute des défis dans la compréhension de la généralisation de l'apprentissage profond, les mathématiques derrière la complexité du modèle, et le biais implicite des algorithmes d'optimisation. Différents exemples et expériences sont présentés pour illustrer la courbe de double descente, les dangers des classes de fonctions complexes et le comportement des algorithmes d'optimisation. La séance de cours se termine par des réflexions sur le surajustement bénin et la probabilité d'interpolation dans les ensembles de données à haute dimension.

Enseignant
qui veniam consequat officia
Qui exercitation velit labore eu mollit occaecat eu dolor qui qui consequat ea sit. Commodo duis qui et qui id ut. Ipsum excepteur proident do ipsum pariatur cillum laboris consectetur amet aliqua ut velit.
Connectez-vous pour voir cette section
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.
Séances de cours associées (85)
Courbes de double descente : surparamétrisation
Explore les courbes de double descente et la surparamétrisation dans les modèles d'apprentissage automatique, en soulignant les risques et les avantages.
La généralisation dans l'apprentissage profond
S'insère dans le compromis entre la complexité du modèle et le risque, les limites de généralisation, et les dangers d'un ajustement excessif des classes de fonctions complexes.
Compréhension de la généralisation : partialité implicite et optimisation
Explore le compromis entre la complexité et le risque dans les modèles d'apprentissage automatique, les avantages de la surparamétrisation et le biais implicite des algorithmes d'optimisation.
Avantages prouvables de la surparamétrisation dans la compression du modèle
Explore les avantages prouvables d'une surparamétrie dans la compression des modèles, en mettant l'accent sur l'efficacité des réseaux neuronaux profonds et sur l'importance du recyclage pour améliorer les performances.
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
Afficher plus

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.