Table Of Contents

Previous topic

Modèles probabilistes pour les architectures profondes

Next topic

Very Brief Introduction to Machine Learning for AI

This Page

IFT6266: Plan de chaque cours

Tableau résumé des cours et lectures (cliquer sur la date pour les détails de chaque cours)

Date Sujets À lire en priorité
2 avril Examen  
29 mars Révision  
26 mars Réseaux à convolution

Article sur le Neocognitron.

Article sur LeNet.

Tutoriel sur les réseaux à convolution.

22 mars Gradient profond. DAE vs AE fin de Présentation de Yoshua Bengio. Auto-encodeurs débruitants vs auto-encodeurs ordinaires.
19 mars Défi de la profondeur Le défi d’entraîner des réseaux de neurones profonds.
15 mars Pré-entraînement Présentation de Yoshua Bengio.
12 mars Pré-entraînement Présentation de Dumitru Erhan.
1 mars DBMs, Deep Boltzmann Machine.
20+23 février DBNs RBMs empilés et DBNs.
13+16 février RBMs La Machine de Boltzmann Restreinte.
6+9 février Modèles probabilistes Modèles probabilistes pour les architectures profondes.
2 février Modèles probabilistes, Lancer de jobs au LISA

Intro aux Modèles probabilistes pour les architectures profondes.

Jobman.

30 janvier Modèles probabilistes Intro aux Modèles probabilistes pour les architectures profondes.
26 janvier Auto-encodeurs, DAE Section 4.6 de Learning Deep Architectures for AI. Denoising Auto-Encoders
23 janvier

python, numpy, Theano

Régression logistique

Documentation sur python, numpy, et Theano. Exemple avec la Régression logistique. Notes sur l’entraînement des MLPs.
19 janvier Réseaux de neurones Efficient Backprop. Intro au tutorial profond de Theano. Démarrage du tutoriel.
16 janvier Le calcul du gradient Notes sur le calcul du gradient.
12 janvier Intro aux architectures profondes Notes introductoires sur les architectures profondes, Sec. 1 de Learning Deep Architectures for AI. Notes sur le gradient.
9 janvier Intro aux architectures profondes Notes introductoires sur les architectures profondes, Sec. 1 de Learning Deep Architectures for AI.
5 janvier

Intro au cours

Intro à l’apprentissage

plan de cours .

diapos. . Notes introductoires sur l’apprentissage, Sec. 1 et 2 de Scaling Learning Algorithms towards AI.

2 Avril

  • Examen théorique à livre ouvert

29 Mars

  • Révision en vue de l’examen

22 Mars

19 Mars

15 Mars

12 Mars

20+23 Février

26 Janvier

5 Janvier