Séance de cours
Techniques d'optimisation : Convexity in Machine Learning
Séances de cours associées (28)
Fonctions de convex
Couvre les propriétés et les opérations des fonctions convexes.
Optimisation avec contraintes : conditions KKT
Couvre les conditions KKT pour l'optimisation avec des contraintes, essentielles pour résoudre efficacement les problèmes d'optimisation.
Optimisation du convex
Introduit les principes fondamentaux de l'optimisation convexe, en soulignant l'importance des fonctions convexes dans la simplification du processus de minimisation.
Optimisation du convex
Introduit l'optimisation convexe, en mettant l'accent sur l'importance de la convexité dans les algorithmes et les problèmes d'optimisation.
Apprentissage profond pour les véhicules autonomes: Apprentissage
Explore l'apprentissage en apprentissage profond pour les véhicules autonomes, couvrant les modèles prédictifs, RNN, ImageNet, et l'apprentissage de transfert.
Méthodes d'optimisation dans l'apprentissage automatique
Explore les méthodes d'optimisation dans l'apprentissage automatique, en mettant l'accent sur les gradients, les coûts et les efforts informatiques pour une formation efficace des modèles.
Optimisation : descente de gradient et sous-gradients
Explore des méthodes d'optimisation telles que la descente de gradient et les sous-gradients pour la formation de modèles d'apprentissage automatique, y compris des techniques avancées telles que l'optimisation d'Adam.
Programmes d'optimisation : Fonctions de coûts linéaires par pièce
Couvre la formulation de programmes d'optimisation pour minimiser les fonctions de coûts linéaires à la pièce.
Techniques d'optimisation: Convexité et algorithmes dans l'apprentissage automatique
Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité, les algorithmes et leurs applications pour assurer une convergence efficace vers les minima mondiaux.
Adversarial Machine Learning: Fondamentaux et techniques
Explore l'apprentissage machine contradictoire, couvrant la génération d'exemples contradictoires, les défis de robustesse et des techniques telles que la méthode Fast Gradient Sign.