Explore le projet EXSCALATE4COV, axé sur la découverte informatique de médicaments pour les traitements COVID-19 et la collaboration entre le milieu universitaire et l'industrie.
Explore les réseaux profonds et convolutifs, couvrant la généralisation, l'optimisation et les applications pratiques dans l'apprentissage automatique.
Explore l'apprentissage bio-inspiré avec des réseaux neuronaux et des algorithmes génétiques, couvrant la structure, la formation et les applications pratiques.
Explore l'apprentissage multi-tâches pour l'optimisation accélérée des réactions chimiques, les défis de mise en évidence, les workflows automatisés et les algorithmes d'optimisation.
Explore l'optimisation décentralisée dans l'apprentissage automatique, en mettant l'accent sur la robustesse, la confidentialité et l'équité dans l'apprentissage collaboratif.
Explore l'optimisation de la modélisation neuronale, en abordant les paramètres sous-constraintes, les fonctions de conditionnement physique et l'adaptation réussie des modèles de tir.
Couvre les concepts et les technologies de la découverte de médicaments à base de fragments, en explorant l'identification des impacts, l'optimisation du plomb et les méthodes de dépistage.
S'insère dans les fondamentaux de la chimie médicinale, mettant l'accent sur l'interrogation des relations structure-activité (SAR) dans la conception des drogues.
Couvre l'optimisation non convexe, les problèmes d'apprentissage profond, la descente stochastique des gradients, les méthodes d'adaptation et les architectures réseau neuronales.
Explore l'optimisation dans la modélisation des systèmes énergétiques, couvrant les variables de décision, les fonctions objectives et les différentes stratégies avec leurs avantages et leurs inconvénients.
Explore l'optimisation des réseaux neuronaux, y compris la rétropropagation, la normalisation des lots, l'initialisation du poids et les stratégies de recherche d'hyperparamètres.
Couvre l'intégration de l'apprentissage automatique avec la microscopie à sonde à balayage pour une automatisation et une efficacité améliorées dans les flux de travail scientifiques.
Discute des techniques avancées d'apprentissage par renforcement, en se concentrant sur des méthodes profondes et robustes, y compris des cadres d'acteur-critique et des stratégies d'apprentissage contradictoire.
Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité et ses implications pour une résolution efficace des problèmes.
