Séance de cours

Optimisation convexe : réduction non linéaire de la dimensionnalité

Dans cours
DEMO: sint reprehenderit et
In dolore sunt do quis tempor sunt cillum id eiusmod ipsum pariatur consequat in. Fugiat ut occaecat tempor elit excepteur commodo mollit quis mollit veniam. Labore sit veniam in amet quis laborum enim mollit officia velit magna laboris. In incididunt ipsum ipsum ex minim dolor esse sit aliqua eu exercitation minim laboris elit. Culpa labore ipsum nisi aute veniam do reprehenderit non. Esse cupidatat cillum dolore reprehenderit pariatur laborum ad et ea.
Connectez-vous pour voir cette section
Description

Cette séance de cours couvre l'application de l'optimisation convexe dans la réduction de dimensionnalité non linéaire, en se concentrant sur des techniques telles que l'astuce du noyau et la propagation des points de données dans les espaces de grande dimension. L'instructeur explique le concept du problème en cours et son équivalence avec un SDP, fournissant des informations sur la récupération de solutions de faible dimension à partir de la solution SDP. Divers exemples, y compris lajustement constant et linéaire par morceaux, illustrent les implications pratiques des problèmes de cardionité convexe dans les tâches de traitement du signal et de régression. La séance de cours se termine par des discussions sur les solutions exactes, l'heuristique de la norme et l'interprétation de la relaxation convexe dans le traitement des contraintes de cardinalité.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace
Enseignant
reprehenderit adipisicing aliquip elit
Et velit eu dolore exercitation Lorem. In dolore nulla minim anim officia sit excepteur culpa est qui velit. Ex id culpa mollit laborum ut laborum cillum pariatur incididunt nostrud.
Connectez-vous pour voir cette section
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.
Séances de cours associées (35)
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.
Flexibilité des modèles et de l'échange de devises
S'insère dans le compromis entre la flexibilité du modèle et la variation des biais dans la décomposition des erreurs, la régression polynomiale, le KNN, et la malédiction de la dimensionnalité.
Introduction à l'apprentissage automatique : apprentissage supervisé
Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.
Analyse en composantes principales : Applications et limites
Explore les applications et les limites de l'analyse en composantes principales, y compris le débruitage, la compression et la régression.
Radar pénétrant au sol : analyse des données
Explore le picking automatisé des barres de renforcement dans les données radar pénétrantes au sol à l'aide de techniques d'apprentissage automatique et de traitement du signal.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.