Optimisation stochastique et méthodes de graduation adaptative

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (24)

Page 1 sur 3

Optimisation stochastique : Algorithmes et méthodes

Explore les algorithmes d'optimisation stochastique et les méthodes pour les problèmes convexes avec des risques lisses et non lisses.

Méthodes de graduation adaptative: Partie 1

Explore les méthodes de gradient adaptatif et leur impact sur les scénarios d'optimisation, y compris AdaGrad, ADAM et RMSprop.

Algèbre linéaire

Couvre les bases de l'algèbre linéaire, y compris les opérations matricielles et la décomposition des valeurs singulières.

Polynômes caractéristiques et matrices similaires

Explore les polynômes caractéristiques, la similarité des matrices et les valeurs propres dans les transformations linéaires.

Équations linéaires : vecteurs et matrices

Couvre les équations linéaires, les vecteurs et les matrices, en explorant leurs concepts fondamentaux et leurs applications.

SVD: Décomposition de la valeur singulaire

Couvre le concept de Décomposition de Valeur Singulaire (SVD) pour compresser l'information dans les matrices et les images.

Décomposition de la valeur singulière : applications et interprétation

Explique la construction de U, la vérification des résultats et l'interprétation de SVD dans la décomposition matricielle.

Bias implicites dans l'apprentissage automatique

Explore les biais implicites, la descente de gradient, la stabilité dans les algorithmes d'optimisation et les limites de généralisation dans l'apprentissage automatique.

Factorisation des matrices : Optimisation et évaluation

Explore l'optimisation de la factorisation matricielle, les méthodes d'évaluation et les défis dans les systèmes de recommandation.

Systèmes linéaires : matrices diagonales et triangulaires, factorisation de l'U.

Couvre les systèmes linéaires, les matrices diagonales et triangulaires, et la factorisation de LU.