Couvre les bases des réseaux neuronaux, des fonctions d'activation, de la formation, du traitement d'image, des CNN, de la régularisation et des méthodes de réduction de dimensionnalité.
Couvre les défis posés par les données à haute dimension, la nécessité de réduire la dimensionnalité et les implications pour les modèles d'apprentissage automatique.
Introduit la modélisation fondée sur les données en mettant l'accent sur la régression, couvrant la régression linéaire, les risques de raisonnement inductif, l'APC et la régression des crêtes.
Couvre PCA et LDA pour la réduction de dimensionnalité, expliquant la maximisation de la variance, les problèmes de vecteurs propres et les avantages de Kernel PCA pour les données non linéaires.
Introduit des arbres de décision pour la classification, couvrant l'entropie, la qualité fractionnée, l'indice Gini, les avantages, les inconvénients, et le classificateur forestier aléatoire.
Couvre les flux de données, le calcul de la mémoire sous-linéaire, la similarité des documents et les techniques de réduction des dimensions randomisées pour gérer efficacement les défis «Big Data».
Couvre les modèles linéaires, la régression logistique, les limites de décision, k-NN, et les applications pratiques dans l'attribution des auteurs et l'analyse des données d'image.
Couvre le théorème de Johnson-Lindenstrauss, qui intègre des points de haute dimension dans l'espace de dimension inférieure tout en préservant les distances.