Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.
Annonce les gagnants des prix de la réunion annuelle, reconnaissant les œuvres d'affiches et de vidéos exceptionnelles et les présentations du programme Next Tech.
Présente un cadre pour la surveillance non intrusive du confort thermique à l'aide de techniques de vision par ordinateur et d'apprentissage automatique.
Explique les conditions d'utilisation de l'apprentissage automatique dans des problèmes complexes avec des modèles dans les données et l'accès à un ensemble de données.
Explore la correspondance des données non linéaires avec des dimensions plus élevées à l'aide de la SVM et couvre l'expansion des caractéristiques polynomiales, la régularisation, les implications sonores et les méthodes d'ajustement des courbes.
Couvre l'analyse des composantes principales pour la réduction de dimensionnalité, en explorant ses applications, ses limites et l'importance de choisir les composantes appropriées.
Couvre l'apprentissage non supervisé, en mettant l'accent sur la réduction de la dimensionnalité et le regroupement, en expliquant comment il aide à trouver des modèles dans les données sans étiquettes.
