Explore le financement d'une idée, l'analyse de données volumineuses et les bases statistiques avec des idées sur la façon d'éviter les pièges courants.
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.
Discute de l'échantillonnage des données comme un changement de paradigme pour optimiser le temps de traitement et réduire les frais généraux dans les moteurs de requête.
Couvre des modèles thématiques, en se concentrant sur l'allocation de Dirichlet latente, le regroupement, les MGM, la distribution de Dirichlet, l'apprentissage LDA et les applications en humanités numériques.
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.