... | @@ -11,6 +11,7 @@ https://grenoble-inp.zoom.us/j/98765018694?pwd=LzZXeEFrcEs4TnFqT0YrZkZHVFpoQT09 |
... | @@ -11,6 +11,7 @@ https://grenoble-inp.zoom.us/j/98765018694?pwd=LzZXeEFrcEs4TnFqT0YrZkZHVFpoQT09 |
|
N° de webinaire : 987 6501 8694
|
|
N° de webinaire : 987 6501 8694
|
|
Code secret : 1919
|
|
Code secret : 1919
|
|
|
|
|
|
|
|
|
|
|**Jeudi 11 mars, 14h, Séquence 4 : <br>Réseaux de Neurones Récurrents (RNN)<br>Gestion des données séquentielles et/ou temporelles.**|
|
|
|**Jeudi 11 mars, 14h, Séquence 4 : <br>Réseaux de Neurones Récurrents (RNN)<br>Gestion des données séquentielles et/ou temporelles.**|
|
|
|--|
|
|
|--|
|
|
|Principes et concepts des réseaux de neurones récurrents.<br>Préparation et gestion d'un dataset réel de type séquence. Mise en œuvre et utilisation des RNN.<br>Long short-term memory (LSTM), Gated recurrent unit (GRU), cellules récurrentes, Générateur de séquences.<br>Exemple proposé :<br>Prédiction de trajectoires d'une coccinelle virtuelle ;-)<br>Prévisions météorologique à 3h et 12h, à partir de données réelles, issues des messages internationaux d’observation en surface (SYNOP) de l’Organisation Météorologique Mondiale (OMM).|
|
|
|Principes et concepts des réseaux de neurones récurrents.<br>Préparation et gestion d'un dataset réel de type séquence. Mise en œuvre et utilisation des RNN.<br>Long short-term memory (LSTM), Gated recurrent unit (GRU), cellules récurrentes, Générateur de séquences.<br>Exemple proposé :<br>Prédiction de trajectoires d'une coccinelle virtuelle ;-)<br>Prévisions météorologique à 3h et 12h, à partir de données réelles, issues des messages internationaux d’observation en surface (SYNOP) de l’Organisation Météorologique Mondiale (OMM).|
|
... | | ... | |