Explore le sous-ajustement, le surajustement, les hyperparamètres, le compromis biais-variance et l'évaluation de modèle dans l'apprentissage automatique.
Explore l'optimisation décentralisée dans l'apprentissage automatique, en mettant l'accent sur la robustesse, la confidentialité et l'équité dans l'apprentissage collaboratif.
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
Introduit les bases de l'algèbre linéaire, du calcul et de l'optimisation dans les espaces euclidien, en mettant l'accent sur la puissance de l'optimisation en tant qu'outil de modélisation.
Se concentre sur l'assemblage des éléments constitutifs du réseau neuronal et sur la gestion de la rareté des données à l'aide de diverses stratégies et hypothèses.
Explique la descente en pente avec arrêt précoce et descente en pente stochastique pour optimiser l'entraînement du modèle et éviter les surajustements.