Séance de cours

Introduction d'un cadre formel pour la représentation de l'apprentissage

Séances de cours associées (32)

Fondements de l'apprentissage automatique

Couvre les principes fondamentaux et les méthodes de l'apprentissage automatique, y compris les techniques d'apprentissage supervisé et non supervisé.

Renforcement de l'apprentissage axé sur les données

Discute des défis dans les systèmes d'IA, des limitations d'apprentissage supervisé, et de la nécessité de méthodes fondées sur les données pour renforcer l'apprentissage.

Apprentissage automatique: Types et applications

Couvre les types d'apprentissage automatique, y compris les apprentissages supervisés, non supervisés et renforcés.

Dynamique des réseaux neuronaux linéaires

Explore la dynamique d'apprentissage des réseaux neuronaux profonds en utilisant des réseaux linéaires pour l'analyse, couvrant les réseaux à deux couches et à plusieurs couches, l'apprentissage autosupervisé et les avantages de l'initialisation découplée.

Introduction à l'apprentissage automatique

Couvre les bases de l'apprentissage automatique, y compris l'apprentissage supervisé et non supervisé, la régression linéaire et la classification.

Descente progressive et régression linéaire

Couvre la descente du gradient stochastique, la régression linéaire, la régularisation, l'apprentissage supervisé et la nature itérative de la descente du gradient.

Acquérir des données pour l'apprentissage

Explore les robots d'entraînement en renforçant l'apprentissage et l'apprentissage de la démonstration, mettant en évidence les défis de l'interaction homme-robot et de la collecte de données.

Introduction à l'apprentissage automatique

Introduit des concepts d'apprentissage automatique, des bases aux réseaux neuronaux avancés.

Gradient politique pour un neurone unique

Explique le gradient de politique pour un neurone unique, y compris la politique d'écriture, l'utilisation de la fonction logistique, et le calcul du gradient.

Fondamentaux de l'inférence et de l'apprentissage

Couvre la théorie des statistiques, de l'inférence et de l'apprentissage automatique avec des exercices pratiques en Python.

Amélioration des modèles du chemin visuel ventral

Explore les modèles de calcul du système visuel ventral, en se concentrant sur l'optimisation des réseaux pour les tâches réelles et la comparaison avec les données cérébrales.

Intelligence artificielle socialement consciente pour la mobilité du dernier kilomètre

Explore l'IA socialement consciente pour la mobilité des derniers milles, se concentrant sur la compréhension des étiquettes sociales, l'anticipation des comportements et la prévision des mouvements de foule.