Étudier les objectifs auto-supervisés issus de structures et relations.
Le cours couvre augmentation contrastive, hypergraphes, embeddings contextuels pour liens hétérogènes et requêtes logiques sur graphes de connaissances. Il compare les structures préservées et l’effet du type de graphe, de la géométrie et de l’évaluation. Un objectif auto-supervisé ne garantit pas une représentation universelle. Supports originaux, sans transcription, accompagnent les vidéos anglaises.
Comparer signaux contrastifs, hypergraphes, liens et requêtes selon la structure conservée. Vérifier l’adéquation des augmentations et de la géométrie à la tâche. Créer des partitions sans fuite pour nœuds, liens, requêtes ou graphes.
Connaissances des réseaux neuronaux, graphes et embeddings recommandées; aucun outil spécifique requis.
Aux apprenants expérimentés souhaitant approfondir et appliquer des compétences avancées en IA
Aux personnes qui apprennent mieux avec des exemples, des leçons guidées et de la pratique
Aux professionnels, créateurs et développeurs indépendants recherchant une méthode reproductible
La leçon 1 est gratuite
4 leçons · Avancé · Cours complet.
Ce cours utilise du contenu sous licence CC BY attribué à son fournisseur ou à la personne qui l’a mis en ligne. La lecture des leçons est disponible uniquement après authentification et validation des contrôles de publication et de licence.