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.
Discute de la navigation par quadritor en utilisant l'apprentissage de renforcement profond et le contrôle de bas niveau, en mettant l'accent sur l'intelligence visuelle et la robustesse du modèle de regard.
Couvre les concepts fondamentaux de l'apprentissage profond et de l'architecture Transformer, en se concentrant sur les réseaux neuronaux, les mécanismes d'attention et leurs applications dans les tâches de modélisation de séquence.
Explore la logique de la fonction neuronale, le modèle Perceptron, les applications d'apprentissage profond et les niveaux d'abstraction dans les modèles neuronaux.
Couvre les méthodes itératives pour résoudre des équations linéaires et analyser la convergence, y compris le contrôle des erreurs et les matrices définies positives.
Explore l'apprentissage supervisé en économétrie financière, couvrant la régression linéaire, l'ajustement du modèle, les problèmes potentiels, les fonctions de base, la sélection de sous-ensembles, la validation croisée, la régularisation et les forêts aléatoires.
Explore les systèmes d'imagerie à l'information physique, y compris l'imagerie sans lentille, l'apprentissage profond pour les défis d'imagerie, et le développement de modèles de bruit pour les vidéos à faible luminosité.
Explore les approches d'extraction d'informations telles que les modèles écrits à la main et la supervision à distance, avec des exemples de paires d'entités correspondant à des modèles.
Explore les classificateurs gaussiens, la classification des textures, l'estimation des paramètres, l'apprentissage supervisé et les réseaux neuronaux profonds dans le traitement d'images.
