Séance de cours
Modélisation generative: Alors, maintenant et demain?
Séances de cours associées (32)
Modèles Vision-Langue-Action : Formation et applications
Se penche sur la formation et les applications des modèles Vision-Language-Action, en mettant l'accent sur le rôle des grands modèles linguistiques dans le contrôle robotique et le transfert des connaissances web. Les résultats des expériences et les orientations futures de la recherche sont mis en évidence.
Modèles de génération profonde: Codeurs automatiques et GANs
Explore les codeurs automatiques et les réseaux d'adversaires génériques pour la modélisation generative profonde.
Modèles génériques: Prévisions de trajectoire
Explore des modèles générateurs pour la prévision de trajectoires dans les véhicules autonomes, y compris des modèles discriminatifs vs générateurs, VAES, GANS, et des études de cas.
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
Deep Learning : réseaux neuronaux convolutifs
Couvre les réseaux neuronaux convolutifs, les architectures standard, les techniques de formation et les exemples contradictoires en apprentissage profond.
Groupement : moyenne en k
Explique le regroupement des moyennes k, en attribuant des points de données à des grappes en fonction de la proximité et en minimisant les distances carrées à l'intérieur des grappes.
Réseaux neuronaux : Réseaux neuronaux profonds
Explore les bases des réseaux neuraux, en mettant l'accent sur les réseaux neuraux profonds, leur architecture et leur formation.
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.
Reconnaissance visuelle profonde : Interprétabilité
Explore la reconnaissance visuelle profonde, l'interprétation, les architectures CNN, les dictionnaires visuels et les mécanismes d'attention.
Perspectives géométriques sur les modèles d'apprentissage profond
Se penche sur les perspectives géométriques des modèles d'apprentissage profond, explorant leur vulnérabilité aux perturbations et l'importance de la robustesse et de l'interprétabilité.