Couvre les fondamentaux de l'apprentissage automatique avancé, mettant l'accent sur les applications pratiques par des exercices et des projets interactifs.
Couvre les techniques de réduction de dimensionnalité telles que PCA et LDA, les méthodes de clustering, l'estimation de la densité et la représentation des données.
Explore la formation, l'optimisation et les considérations environnementales des réseaux neuronaux, avec des informations sur les clusters PCA et K-means.
Couvre la quantification des distributions de probabilité, le regroupement statistique des moyennes k, l'estimation moyenne, les méthodes de regroupement robustes et les questions de recherche ouvertes.
Explore RAPPOR, la confidentialité différentielle, la mise en œuvre d'Apple, le clustering de k-means et les défis liés à la mise en œuvre de la confidentialité différentielle.
Explore l'importance des liens faibles dans les réseaux sociaux, la recherche d'emploi et la diffusion de l'information, en mettant l'accent sur le principe de fermeture triadique et le paradoxe des liens faibles dans la recherche d'emploi.
Introduit des méthodes de regroupement fondées sur des modèles utilisant des modèles de mélange et des variables latentes, avec des exemples pratiques sur les données d'iris.