Explore l'application de l'apprentissage automatique aux systèmes à l'échelle atomique, en mettant l'accent sur la symétrie dans la cartographie des caractéristiques et la construction de descripteurs invariants en rotation.
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
Explore les classificateurs voisins les plus proches, le compromis entre les biais, la malédiction de la dimensionnalité et les limites de généralisation dans l'apprentissage automatique supervisé.
Couvre les bases de la régression linéaire et la façon de résoudre les problèmes d'estimation en utilisant les moindres carrés et la notation matricielle.
Introduit les bases de l'apprentissage automatique, en mettant l'accent sur l'utilisation de Piazza pour les communications liées à la classe et les exercices pratiques en Python.
Explore l'apprentissage supervisé en économétrie financière, en mettant l'accent sur les algorithmes de classification comme Naive Bayes et la régression logistique.
Fournit une vue d'ensemble des concepts d'apprentissage profond, en se concentrant sur les données, l'architecture du modèle et les défis liés à la gestion de grands ensembles de données.
Explore la régression du mélange gaussien dans les ensembles de données 2D, en analysant les antécédents, les composantes et les résultats de régression.
Explore les effets aléatoires, la vérification du modèle et les effets imbriqués par rapport aux effets croisés dans la modélisation de régression moderne.
