Couvre l'étalonnage des modèles à l'aide de mesures, de capteurs virtuels, de la réconciliation des données et de l'identification des paramètres dans les modèles de processus.
Explore les algorithmes de consensus qui varient dans le temps dans les systèmes de contrôle en réseau et le rôle de la matrice laplacienne dans l'obtention d'un consensus moyen.
Explore les algorithmes de consensus dans les systèmes de contrôle en réseau, couvrant des sujets tels que les modèles Metropolis-Hasting et le calcul distribué de régression des moins-quaires.
Explore les graphiques et les matrices, y compris les matrices d'adjacence, de degré et de Laplace, le théorème des arbres matriciels et les arbres qui s'étendent.
Explore la matrice laplacienne dans les réseaux électriques et mécaniques, le consensus et les propriétés des matrices laplaciennes dans les systèmes de contrôle en réseau.
Explore le rôle des graphiques dans l'apprentissage en profondeur, en se concentrant sur leur structure, leurs applications et leurs techniques de traitement des données graphiques.
Couvre les algorithmes de flux de réseau, y compris Max Flow, Min Cut, et l'algorithme de cycle de coût négatif, progressant de définitions de base à des algorithmes avancés comme Bellman-Ford et Dijkstra.