Couvre la régression linéaire, la régression pondérée, la régression pondérée localement, la régression vectorielle de soutien, la manipulation du bruit et la cartographie oculaire à l'aide de SVR.
Explore les représentations structurales équivariantes dans l'apprentissage machine atomistique, soulignant l'importance de représenter les propriétés cibles dans la base sphérique.
Se plonge dans l'utilisation de l'apprentissage automatique pour prédire la densité des paires sans spin et comprendre la corrélation électronique dans des systèmes complexes.
Couvre lintroduction aux modèles additifs généralisés et aux moindres carrés pondérés itératifs pour la vérification des modèles et les ajustements lisses.
Introduit des méthodes de noyau telles que SVM et régression, couvrant des concepts tels que la marge, la machine vectorielle de support, la malédiction de la dimensionnalité et la régression de processus gaussien.
Explore les noyaux de régression de processus gaussien, les coûts de calcul et les comparaisons avec la régression de crête et d'autres techniques de régression non linéaire.
Explore les bases des réseaux neuraux, le problème XOR, la classification et les applications pratiques comme la prévision des données météorologiques.
Couvre la décomposition des erreurs, la régression polynomiale et les voisins K les plus proches pour la modélisation flexible et les prédictions non linéaires.