Couvre les Perceptrons multicouches, les neurones artificiels, les fonctions d'activation, la notation matricielle, la flexibilité, la régularisation, la régression et les tâches de classification.
Couvre les fondamentaux des réseaux neuronaux multicouches et de l'apprentissage profond, y compris la propagation arrière et les architectures réseau comme LeNet, AlexNet et VGG-16.
Couvre l'apprentissage supervisé, la classification, la régression, les limites de décision, le surajustement, Perceptron, SVM et la régression logistique.
Couvre les perceptrons multicouches (MLP) et leur application de la classification à la régression, y compris le théorème d'approximation universelle et les défis liés aux gradients.
Introduit les bases de l'apprentissage automatique supervisé, couvrant les types, les techniques, le compromis biais-variance et l'évaluation du modèle.
Couvre les bases de la conception et de l'analyse expérimentales, en mettant l'accent sur les techniques statistiques comme l'ANOVA, la régression, la médiation et la modération.
Explore les noyaux de signature, les cartes de caractéristiques, les algèbres tensor, et leurs applications dans la science des données et l'apprentissage automatique.
Explore les lois de contrôle d'apprentissage avec Dynamical Systems pour robots, en mettant l'accent sur les problèmes de régression et les techniques d'ajustement.
