Optimisation robuste: Radiothérapie & Support Machines vectorielles

À propos
Confidentialité
Mentions légales

Graph Chatbot

Dans cours

DEMO: tempor enim

Fugiat minim labore qui mollit non veniam consectetur duis. Aute sunt minim in sint non laborum commodo aliqua cupidatat excepteur labore sint fugiat laboris. Exercitation irure aliqua anim reprehenderit exercitation ea et laborum est anim id.

Description

Cette séance de cours couvre l'optimisation robuste appliquée à la radiothérapie modulée en intensité, en comparant les problèmes d'optimisation nominaux et robustes pour minimiser les incertitudes de dose. Il explore également des machines vectorielles de support robustes, montrant le lien entre la robustification et la régularisation, et les implications de la séparabilité linéaire sur la perte de charnière dans le pire des cas.

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

ad cupidatat

Occaecat in incididunt officia id ex est. Esse magna nulla sit occaecat reprehenderit ullamco cupidatat cillum culpa adipisicing laboris. Irure elit voluptate veniam reprehenderit cupidatat veniam esse aute.

Source officielle

Séances de cours associées (26)

https://mediaspace.epfl.ch/media/0_zosvw41v

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.

Dans cours

DEMO: tempor enim

Enseignant

ad cupidatat

Séances de cours associées (26)

Afficher plus

Le paysage d'optimisation de Convex caché des réseaux neuronaux profonds

Explore le paysage d'optimisation convexe caché des réseaux neuronaux profonds, montrant la transition des modèles non convexes aux modèles convexes.

KKT et optimisation convexe

Couvre les conditions KKT et l'optimisation convexe, en discutant des qualifications de contraintes et des cônes tangents des ensembles convexes.

Techniques d'optimisation : Convexity in Machine Learning

Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité et ses implications pour une résolution efficace des problèmes.

Soutenez des machines de vecteur : Maximiser la marge

Explore les machines vectorielles de support, maximisant la marge pour une classification robuste et la transition vers la SVM logicielle pour les données séparables non linéairement.

Techniques d'optimisation: Descente de gradient stochastique et au-delà

Discute des techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la descente de gradient stochastique et ses applications dans les problèmes contraints et non convexes.