Explore la découverte causale à l'aide de modèles variables latents, en mettant l'accent sur les défis et les solutions pour déduire les relations causales à partir de données non gaussiennes.
Explore l'intégration de l'apprentissage automatique dans des modèles à choix discrets, en soulignant l'importance des contraintes théoriques et des approches hybrides de modélisation.
Couvre l'inférence statistique, l'apprentissage automatique, les SVM pour la classification des pourriels, le prétraitement des courriels et l'extraction des fonctionnalités.
Explore l'apprentissage des modèles latents dans des structures graphiques, en se concentrant sur des scénarios avec des échantillons incomplets et en introduisant la notion de distance entre les variables.
Introduit des opérateurs proximaux et des méthodes de gradient conditionnel pour les problèmes convexes composites de minimisation dans l'optimisation des données.
Explore l'application de la physique statistique dans les problèmes de calcul, couvrant des sujets tels que l'inférence bayésienne, les modèles de verre de spin de champ moyen, et la détection comprimée.
