Plonge dans la dimensionnalité de l'apprentissage profond, la représentation des données et la performance dans la classification des données à grande dimension, explorant la malédiction de la dimensionnalité et le noyau tangent neuronal.
Explore l'optimisation des polynômes, en mettant l'accent sur les polynômes SOS et non négatifs, y compris la représentation des polynômes en tant que fonctions quadratiques des monômes.
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.
Explore les combinaisons linéaires, la détermination de base et la dimensionnalité de l'espace vectoriel à travers des exemples pratiques et des exercices.
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.
Explore les nombres dintersection pour compter les solutions aux équations polynomiales algébriquement et leur signification géométrique dans la théorie des intersections et la géométrie énumérative.
Couvre les techniques de réduction de dimensionnalité, de regroupement et d'estimation de la densité, y compris l'ACP, les moyennes K, le MGM et le décalage moyen.
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.