Séance de cours

Deep Learning: Représentations de données et réseaux neuraux

Description

Cette séance de cours couvre les représentations de données dans l'apprentissage profond, y compris l'hétérogénéité des données, la taille et le bruit, ainsi que les attributs et le modèle de sac de mots. Il explore également des concepts d’apprentissage profond tels que les histogrammes, le prétraitement des données, les données manquantes, les données bruyantes, la normalisation des données et les données déséquilibrées par rapport aux données équilibrées. La séance de cours progresse pour discuter des leçons tirées des modèles linéaires et des méthodes du noyau, de la transition des représentations artisanales aux représentations apprises, et du fonctionnement des réseaux de neurones artificiels avec des couches cachées et des fonctions d'activation.

Enseignant
Lorem aliquip nostrud
Aute sint adipisicing cillum aliquip. Dolore dolor consectetur commodo fugiat commodo velit dolor dolore tempor. Eiusmod nulla magna eiusmod culpa id consequat ut sint.
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 (129)
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
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.
Deep Learning: Représentations de données et réseaux neuraux
Couvre les représentations de données, le sac de mots, les histogrammes, le prétraitement des données et les réseaux neuronaux.
Introduction à l'apprentissage automatique : apprentissage supervisé
Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.
Les principes fondamentaux de l'apprentissage profond
Introduit un apprentissage profond, de la régression logistique aux réseaux neuraux, soulignant la nécessité de traiter des données non linéairement séparables.
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.