PHYS-467: Machine learning for physicists

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de ce cours (106)

Physique statistique des grappes

Explore la physique statistique des clusters, en se concentrant sur la complexité et le comportement d'équilibre.

Architectures modernes : travailler et résoudre des tâches complexes

Explore les systèmes internes modernes et la façon dont ils résolvent des tâches complexes.

Modèle linéaire généralisé : Optimisation et approximation

Discute de la formulation unifiée du modèle linéaire généralisé et de l'optimisation des fonctions de perte.

Chaîne de Monte Carlo Markov biaisée

Explore la chaîne de Monte Carlo Markov biaisée, y compris l'estimation optimale de Bayes et l'algorithme Metropolis-Hastings.

Maximisation des attentes : paramètres d'apprentissage

Couvre l'algorithme de maximisation des attentes pour l'apprentissage des paramètres et la gestion des variables inconnues.

Machine de comité: approche de physique statistique

Explore les variables cachées, les modèles graphiques et les lacunes de calcul dans l'apprentissage en réseau neuronal.

Réseaux neuronaux génératifs : Échantillonnage et formation

Couvre les réseaux neuronaux génératifs, en se concentrant sur l'échantillonnage, l'entraînement et l'ajout de bruit.

Transition de phase PCA et BBP

Couvre l'application PCA et la transition de phase BBP dans un jeu de données de jeu de cartes.

MCMC avec Metropolis

Couvre la mise en œuvre de Markov Chain Monte Carlo (MCMC) avec l'algorithme Metropolis pour l'échantillonnage à partir de distributions postérieures.

Algorithme de K-means

Couvre l'algorithme K-means pour regrouper des échantillons de données en k classes sans étiquettes, dans le but de minimiser la fonction de perte.

Boltzmann Machine

Couvre la machine de Boltzmann, un type de réseau neuronal récurrent stochastique.

Estimateur de Bayes, recuit simulé et EM

Couvre l'estimateur de Bayes, le recuit simulé et la ME pour l'estimation des paramètres.

Régression du noyau : K-nearest Neighbors

Couvre le concept de régression du noyau et les voisins les plus proches de K pour rendre les données linéairement séparables.

Régression du noyau : bases et applications

Explore la régression du noyau, la malédiction de la dimensionnalité et les caractéristiques aléatoires des réseaux neuronaux.

K-Means: Mise en œuvre et analyse

Couvre la mise en œuvre et l'analyse de l'algorithme K-Means, y compris l'initialisation du centroïde, l'attribution de points et l'impact du bruit.

Régularisation optimale de la force et des courbes d'apprentissage

Couvre le chargement des ensembles de données, la compréhension des dimensions, les courbes d'apprentissage et l'impact de la régularisation sur les surajustements.

Réseaux de neurones: caractéristiques aléatoires et régression du noyau

Explore les caractéristiques aléatoires dans les réseaux neuronaux et la régression du noyau en utilisant la descente de gradient stochastique.

Réseaux neuronaux multicouches

Couvre les bases des réseaux neuronaux multicouches et le processus d'entraînement des réseaux entièrement connectés avec des couches cachées.

Sélection de fonctionnalités, Régression du noyau, Terrain de jeu des réseaux neuronaux

Couvre la sélection des fonctionnalités, la régression du noyau et les réseaux neuronaux à travers des exercices.

Back-propagation: Comprendre les réseaux neuronaux

Explique la rétropropagation dans les réseaux neuronaux, la mise à jour des poids en fonction des erreurs et l'évaluation des réseaux par le biais de pertes d'entraînement et de tests.

Page 5 sur 6