Séance de cours
Intelligence visuelle et apprentissage : Perspectives et applications
Séances de cours associées (41)
Délimitation : Techniques et dynamiques
Explore les techniques de délimitation des objets dans les images, y compris la programmation dynamique et les méthodes de fil en direct.
Règle discriminatoire gaussienne : Classification et limites
Explore la règle discriminatoire gaussienne pour la classification à l'aide de modèles de mélange gaussien et discute des limites de dessin et de la complexité du modèle.
Paysage et généralisation dans l'apprentissage profond
Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.
Agents d'apprentissage: Tradeoff Exploration-Exploitation
Explore le compromis exploration-exploitation dans l'apprentissage des effets inconnus des actions en utilisant des bandits multi-armés et Q-learning.
Perception : Défis de classification des images
Couvre les défis de classification d'images, les concepts d'apprentissage automatique, la régression linéaire et l'approche voisine la plus proche dans les véhicules autonomes.
PyTorch et réseaux convolutifs
Couvre la structure des données du tenseur PyTorch et forme un CNN pour classer les images.
Deep Learning pour les véhicules autonomes
Explore l'apprentissage profond pour les véhicules autonomes, couvrant la perception, l'action et les prévisions sociales dans le contexte des technologies de capteurs et des considérations éthiques.
Clustering: Comprendre la similitude intra-classe
Examine les concepts de regroupement, en mettant l'accent sur la similarité intra-classe et les méthodes rentables.
Neurosciences et Machine Learning
Explore la relation complexe entre les neurosciences et l'apprentissage automatique, en soulignant les défis de l'analyse des données neuronales et le rôle des outils d'apprentissage automatique.
Intelligence cérébrale : Apprentissage continu des modèles de représentation
S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.