Explore la formulation et la complexité des machines vectorielles de soutien, y compris les formes primaires et doubles, l'interprétation géométrique et les implications algorithmiques.
Explore le tri topologique, les graphes acycliques, les composants fortement connectés, l'algorithme magique, le graphe des composants, les réseaux de flux et leurs applications.
Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.
Couvre l'architecture des transformateurs et les mécanismes d'attention subquadratiques, en se concentrant sur les approximations efficaces et leurs applications dans l'apprentissage automatique.
Couvre l'algorithme Needleman-Wunsch pour un alignement optimal des séquences protéiques à l'aide de méthodes de programmation et de notation dynamiques.
Explore les principes fondamentaux et les applications des courbes de Bézier, en se concentrant sur leur construction, leurs propriétés et leurs utilisations pratiques dans la conception et la modélisation.
Couvre la régression polynôme, la descente en gradient, le surajustement, le sous-ajustement, la régularisation et la mise à l'échelle des caractéristiques dans les algorithmes d'optimisation.