Explore l'apprentissage supervisé en matière de tarification des actifs, en mettant l'accent sur les défis de la prévision du rendement des actions et l'évaluation des modèles.
Explore la désambiguïsation des entités, reliant les mentions de texte à une base de connaissances, la cohérence dans les graphes d'entités et le PageRank personnalisé.
Explore les techniques de désambigation des entités, y compris les modèles NER, Viterbi et GPT, en mettant l'accent sur la conception rapide et l'apprentissage en contexte.
Introduit le cours sur les systèmes d'information, couvrant sa structure, ses objectifs et ses concepts fondamentaux essentiels à la compréhension de la gestion des données et de la prise de décision.
Couvre l'extraction des relations et la construction de graphes dans l'induction de la taxonomie, en mettant l'accent sur la réduction du bruit pour des graphes précis.
Couvre la classification des images, le clustering et les techniques d'apprentissage automatique telles que la réduction de la dimensionnalité et l'apprentissage par renforcement.
Couvre les techniques d'apprentissage supervisées et non supervisées dans l'apprentissage automatique, en mettant en évidence leurs applications dans la finance et l'analyse environnementale.
Couvre les bases de la régression linéaire, y compris l'ingénierie des caractéristiques, l'apprentissage supervisé ou non supervisé, et minimise la fonction de coût.
Couvre l'intégration des données, l'appariement d'experts, la reconnaissance des entités, les performances, l'évolutivité, la gestion des données de flux, la décomposition des tenseurs et la détection de la dérive conceptuelle.
Déplacez-vous dans des représentations neuro-symboliques pour la connaissance du sens commun et le raisonnement dans les applications de traitement du langage naturel.
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.
Introduit les bases de l'apprentissage automatique, couvrant l'apprentissage supervisé, l'apprentissage par renforcement et la réduction des dimensions.
Explore les modèles de calcul du système visuel ventral, en se concentrant sur l'optimisation des réseaux pour les tâches réelles et la comparaison avec les données cérébrales.
Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.