Explore la programmation dynamique pour optimiser les processus de prise de décision au fil du temps, en utilisant des exemples concrets tels que l'extraction de pétrole et la négociation d'actions.
Couvre les méthodes de prédiction sans modèle dans l'apprentissage par renforcement, en se concentrant sur Monte Carlo et les différences temporelles pour estimer les fonctions de valeur sans connaissance de la dynamique de transition.
Couvre les fondamentaux de l'optimisation d'entier, y compris la programmation d'entier, la programmation dynamique et les algorithmes d'approximation.
Explore les défis dans la résolution des entités dans les flux de données et propose des optimisations pour améliorer le débit de résolution et gérer les distributions déséquilibrées.
Explore la régression logistique, les fonctions de coût, la descente en gradient et la modélisation de probabilité à l'aide de la fonction sigmoïde logistique.
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
Couvre les optimisations logicielles pour améliorer les performances du programme en maximisant les succès de cache et en optimisant la distribution du travail.