Couvre l'étalonnage des modèles à l'aide de mesures, de capteurs virtuels, de la réconciliation des données et de l'identification des paramètres dans les modèles de processus.
Explore les graphiques et les matrices, y compris les matrices d'adjacence, de degré et de Laplace, le théorème des arbres matriciels et les arbres qui s'étendent.
Explore le consensus avec les nœuds GR dans les systèmes de contrôle en réseau, en mettant l'accent sur les graphiques de condensation et le résultat principal.
Explore la convergence des puissances de la matrice d'adjacence et du théorème de consensus pour les matrices primitives et stochastiques, en mettant l'accent sur les propriétés spectrales et les systèmes de contrôle en réseau.
Explore les graphiques isogéniques de courbes elliptiques supersingulaires, montrant des temps de mélange optimaux pour des promenades aléatoires et des applications à la cryptographie.
Explore le rôle des graphiques dans l'apprentissage en profondeur, en se concentrant sur leur structure, leurs applications et leurs techniques de traitement des données graphiques.
Couvre les algorithmes de flux de réseau, y compris Max Flow, Min Cut, et l'algorithme de cycle de coût négatif, progressant de définitions de base à des algorithmes avancés comme Bellman-Ford et Dijkstra.