Séance de cours
Comprendre les modèles génériques des séquences protéiques
Séances de cours associées (39)
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.
Compression du modèle: Techniques pour des modèles NLP efficaces
Explore les techniques de compression des modèles dans les NLP, en discutant de la taille, de la quantification, de la factorisation du poids, de la distillation des connaissances et des mécanismes d'attention.
Modèles génériques : auto-attention et transformateurs
Couvre les modèles générateurs en mettant l'accent sur l'auto-attention et les transformateurs, en discutant des méthodes d'échantillonnage et des moyens empiriques.
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.
La structure et la fonction biologiques émergent de l'apprentissage non supervisé
Déplacez-vous dans la façon dont la structure et le fonctionnement biologiques sont décodés par l'apprentissage non supervisé des séquences protéiques.
Fondements de l'apprentissage automatique
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Exploration de l'évolution: preuves moléculaires et mécanismes
Explore les preuves moléculaires et les mécanismes de l'évolution, y compris les arbres phylogénétiques et les comparaisons de protéines.
Transformateurs Graph-to-Graph : Encodage graphique sensible à la syntaxe
Introduit l'architecture Graph-to-Graph Transformer sensible à la syntaxe pour un conditionnement efficace sur les graphes de dépendance syntaxiques.
Prévisions de trajectoire dans les véhicules autonomes
Explore la prévision des trajectoires dans les véhicules autonomes, en mettant l'accent sur les modèles d'apprentissage profond pour prédire les trajectoires humaines dans les scénarios de transport socialement conscients.