Couvre l'apprentissage non supervisé, en mettant l'accent sur la réduction de la dimensionnalité et le regroupement, en expliquant comment il aide à trouver des modèles dans les données sans étiquettes.
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 applications de la chimie quantique, en mettant l'accent sur le rôle de la densité électronique dans la prédiction des propriétés chimiques et en abordant les défis de la conception des catalyseurs, de la conversion de l'énergie solaire et de la synthèse des médicaments.
Explore les algorithmes de classification génératifs et discriminatifs, en mettant l'accent sur leurs applications et leurs différences dans les tâches d'apprentissage automatique.
Les couvertures comportent des méthodes d'extraction, de regroupement et de classification pour les ensembles de données de grande dimension et l'analyse comportementale utilisant PCA, t-SNE, k-means, GMM et divers algorithmes de classification.
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.
Explore les applications d'apprentissage automatique dans la modélisation des matériaux, couvrant la régression, la classification et la sélection des fonctionnalités.
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.
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 un mini-projet où les étudiants prédisent les précipitations à Pully en utilisant l'apprentissage automatique, en mettant l'accent sur la reproductibilité et la qualité du code.