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 les charges de travail d'apprentissage automatique, les couches DNN, les tableaux systolique et l'efficacité des accélérateurs spécialisés tels que les TPU.
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.
Couvre la vectorisation, les fonctions et le contrôle de flux dans Matlab, en soulignant l'importance d'éviter les variables globales et en fournissant des exemples de graphiques simples et de techniques de débogage.
Déplacez-vous dans les potentiels interatomiques de la machine appris, montrant leur précision et leur rentabilité dans la prédiction des propriétés chimiques.