Couvre les concepts clés de l'apprentissage par renforcement, des réseaux neuronaux, du clustering et de l'apprentissage non supervisé, en mettant l'accent sur leurs applications et leurs défis.
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.
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.
Couvre les bases de l'apprentissage profond, y compris les représentations de données, le sac de mots, le prétraitement des données, les réseaux de neurones artificiels et les réseaux de neurones convolutifs.
Explore les bases des réseaux neuraux, le problème XOR, la classification et les applications pratiques comme la prévision des données météorologiques.
Couvre les bases des réseaux neuronaux convolutionnels, y compris l'optimisation de la formation, la structure des couches et les pièges potentiels des statistiques sommaires.
Couvre l'intelligence visuelle, les réseaux de rétroaction, la prédiction basée sur la taxonomie et les réseaux neuronaux récurrents pour la classification des images.
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 opérations matricielles, y compris la multiplication, la transposition, les pouvoirs et les inverses, et explique comment déterminer si une matrice est invertible.
Explore l'analyse et la classification de la texture dans les images, en mettant l'accent sur le rôle des techniques d'apprentissage automatique telles que les réseaux neuronaux convolutifs.
Explore les critères de monotonie, la règle de L'Hopital et la continuité de Lipschitz dans les fonctions différentiables et les réseaux neuronaux profonds.