Explore les principes fondamentaux de la régression linéaire, en soulignant limportance des techniques de régularisation pour améliorer la performance du modèle.
Introduit les bases statistiques, y compris l'analyse des données et la théorie des probabilités, en mettant l'accent sur la tendance centrale, la dispersion et les formes de distribution.
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.
Explore l'application de l'apprentissage automatique dans la dynamique moléculaire et les matériaux, en mettant l'accent sur la création de caractéristiques significatives et l'importance de la généralisabilité.
Explore les bases des réseaux neuraux, le problème XOR, la classification et les applications pratiques comme la prévision des données météorologiques.