Se penche sur les défis et les possibilités de l'apprentissage automatique dans la modélisation du risque de crédit, en comparant les modèles statistiques traditionnels avec les méthodes d'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.
Examine la généralisation des classificateurs ImageNet, les applications critiques pour la sécurité, le surajustement et la fiabilité des modèles d'apprentissage automatique.
Couvre les problèmes de surajustement, de sélection de modèle, de validation, de validation croisée, de régularisation, de régression du noyau et de représentation des données.
Explore l'amélioration des prédictions d'apprentissage automatique en raffinant les mesures d'erreur et en appliquant des contraintes pour améliorer la précision des prédictions de densité électronique.
Explore la classification des images en utilisant des arbres de décision et des forêts aléatoires pour réduire la variance et améliorer la robustesse du modèle.
Couvre le surajustement, la régularisation et la validation croisée dans l'apprentissage des machines, explorant le réglage des courbes polynômes, l'expansion des fonctionnalités, les fonctions du noyau et la sélection des modèles.