Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.
Explore le sous-ajustement, le surajustement, les hyperparamètres, le compromis biais-variance et l'évaluation de modèle dans l'apprentissage automatique.
Explore l'apprentissage supervisé en matière de tarification des actifs, en mettant l'accent sur les défis de la prévision du rendement des actions et l'évaluation des modèles.
Explore la cartographie des atomes dans les réactions chimiques et la transition vers la grammaire réactionnelle à l'aide de l'architecture du transformateur.
Explore l'apprentissage auto-supervisé, l'apprentissage par transfert, les tâches de prédiction SSL, l'apprentissage des fonctionnalités, les rotations d'images, l'apprentissage contrasté et les apprenants en vision.
Explore les transformateurs en intelligence visuelle, en se concentrant sur la détection d'objets, la synthèse d'images et la fusion de fonctionnalités.
Introduit les bases de l'apprentissage automatique, couvrant l'apprentissage supervisé et non supervisé, la régression linéaire et la compréhension des données.