Introduit l'apprentissage automatique scientifique, en mettant l'accent sur son application dans divers domaines scientifiques et sur le lien entre l'apprentissage automatique et la physique.
Explore l'entrelacement des familles de polynômes et des graphiques de Ramanujan à un côté, en se concentrant sur leurs propriétés et leurs méthodes de construction.
Partage les idées d'une décennie dans l'industrie de la technologie, en se concentrant sur les leçons de carrière et les prévisions futures influencées par l'IA et l'évolution des environnements de travail.
Explore la programmation dynamique du problème Knapsack, en discutant des stratégies, des algorithmes, de la dureté du NP et de l'analyse de la complexité temporelle.
Présente la régularisation Lasso et son application à l'ensemble de données MNIST, en mettant l'accent sur la sélection des fonctionnalités et les exercices pratiques sur la mise en œuvre de la descente en gradient.
Explore la méthode de classification la plus proche du voisin, en discutant de ses limites dans les espaces de grande dimension et de l'importance de la corrélation spatiale pour des prédictions efficaces.
