Séance de cours
Descente progressive
Dans cours
DEMO: irure ex commodo exercitation
Dolore fugiat dolor ea ad. Sit commodo laborum pariatur anim in minim ad non Lorem officia dolore aliqua nostrud et. Veniam voluptate do eu sunt velit sint irure ipsum in sint dolor. Id ad sit Lorem culpa nostrud proident anim non. Quis laborum sint officia non eiusmod labore aute dolor.
Description
Cette séance de cours couvre le concept de descente de gradient dans le contexte des cas scalaires, en se concentrant sur la recherche du minimum d'une fonction en se déplaçant itérativement dans la direction du gradient négatif. Diverses techniques et astuces sont discutées pour améliorer la vitesse et l'efficacité de la convergence, telles que l'ajustement du taux d'apprentissage et l'utilisation de l'élan. L'instructeur explique la formulation mathématique et les applications pratiques de la descente de gradient, en soulignant son importance dans les problèmes d'optimisation.
Enseignant
quis sit ut incididunt
Consequat ipsum ut labore deserunt et in aute. Deserunt in velit in reprehenderit est nostrud. Ut commodo commodo exercitation dolore deserunt enim in occaecat ut cupidatat culpa ipsum exercitation consectetur. Sint commodo aliqua eiusmod do.
Source officielle
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.
Proximité ontologique
Séances de cours associées (58)
Gradient Descent avec Momentum
Explore l'utilisation de l'élan dans la descente en pente pour améliorer la vitesse et la stabilité.
Méthode de Newton: Optimisation et Indéfinité
Couvre la méthode d'optimisation de Newton et discute des mises en garde de l'indéfinissité dans les problèmes d'optimisation.
Physique quantique : Dualité des particules d'onde
Explore la dualité des particules d'onde en physique quantique, couvrant l'interférence, les ondes de matière et la quantification de l'énergie.
Optimisation des taux de convergence: descente progressive accélérée
Explore l'optimalité des taux de convergence dans l'optimisation convexe, en mettant l'accent sur la descente accélérée des gradients et les méthodes d'adaptation.
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.