Explore les représentations neuro-symboliques pour comprendre les connaissances et le raisonnement communs, en mettant l'accent sur les défis et les limites de l'apprentissage profond dans le traitement du langage naturel.
Explore l'apprentissage automatique quantique, les représentations des molécules, la régression du noyau et l'interaction entre la physique et l'apprentissage automatique.
Fournit un aperçu de l'historique de la vision informatique et de la logistique, en mettant l'accent sur les réseaux neuronaux et le raisonnement logique.
Introduit la modélisation fondée sur les données en mettant l'accent sur la régression, couvrant la régression linéaire, les risques de raisonnement inductif, l'APC et la régression des crêtes.
Explore la recherche de bugs, la vérification et l'utilisation d'approches aidées à l'apprentissage dans le raisonnement de programme, montrant des exemples comme le bug Heartbleed et le raisonnement bayésien différentiel.
Explore le contexte historique de la «culture matérielle» et la relation entre les matériaux et la production scientifique, en mettant l'accent sur l'artisanat et les pratiques.
