Explore la perspective évolutive de la surprise, de la curiosité et de la récompense, en mettant l'accent sur le rôle des signaux de récompense primaires et secondaires.
Explore l'utilisation d'extensions visuelles, telles que la réalité virtuelle et la réalité augmentée, pour améliorer l'efficacité et la communication sur le lieu de travail.
Explore la classification des données textuelles, en se concentrant sur des méthodes telles que les bayes naïques et les techniques de réduction de la dimensionnalité telles que l'analyse des composantes principales.
Déplacez-vous dans les courbes de repérage et d'apprentissage des connaissances bayésiennes, explorant la prédiction des connaissances des élèves au fil du temps et l'importance d'une mesure précise du rendement.
Se consacre à la gestion des connaissances pour la réduction des risques de catastrophe, en mettant l'accent sur l'éducation, l'évaluation et l'adaptation technologique.
Explore l'utilisation d'extensions visuelles comme le RA et le RV en milieu de travail, en mettant l'accent sur leurs avantages, leurs défis et leur importance pour améliorer l'efficacité en milieu de travail.
Explore la découverte causale à l'aide de modèles variables latents, en mettant l'accent sur les défis et les solutions pour déduire les relations causales à partir de données non gaussiennes.
Couvre l'analyse en composantes principales pour la réduction dimensionnelle des données biologiques, en se concentrant sur la visualisation et l'identification des modèles.
Discuter de l'impact de la mobilité liée au travail sur les zones urbaines et relever les défis liés aux compétences, aux projets et à l'équilibre entre le travail et la vie personnelle.
Couvre les fondements théoriques de la théorie des choix, les décideurs, les alternatives, les attributs, les règles de décision, l'utilité et les hypothèses comportementales.
Explore les modèles de décision en neuroscience computationnelle, en mettant l'accent sur la dynamique concurrentielle, la prise de décision perceptive et le problème du libre arbitre.
Couvre les principes fondamentaux de la science des données, en mettant l'accent sur la profondeur et l'application pratique dans l'apprentissage automatique et l'analyse de données.
Introduit un cours sur l'apprentissage automatique des données comportementales à l'EPFL, couvrant les algorithmes ML, le traitement des données et l'évaluation des modèles.
