Introduit l'apprentissage non supervisé en cluster avec les moyennes K et la réduction de dimensionnalité à l'aide de PCA, ainsi que des exemples pratiques.
Explore la formation, l'optimisation et les considérations environnementales des réseaux neuronaux, avec des informations sur les clusters PCA et K-means.
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Couvre les faits stylisés du rendement des actifs, des statistiques sommaires, des tests de la normalité, des placettes Q-Q et des hypothèses de marché efficaces.
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 l'utilisation de transformateurs en robotique, en se concentrant sur la perception incarnée et les applications innovantes dans la locomotion humanoïde et l'apprentissage du renforcement.
Couvre les architectures de transformateurs avancées en apprentissage profond, en se concentrant sur les modèles Swin, HUBERT et Flamingo pour les applications multimodales.
Explore l'intersection entre les neurosciences et l'apprentissage automatique, en discutant de l'apprentissage profond, de l'apprentissage par renforcement, des systèmes de mémoire et de l'avenir du pont entre l'intelligence machine et l'intelligence humaine.
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
Explore l'application de l'apprentissage automatique en médecine, en mettant l'accent sur l'interprétabilité, la variabilité entre les patients et la recherche d'équations transparentes dans les modèles médicaux.
Explore l'évaluation environnementale systémique, l'analyse nationale des flux de matériaux et le développement d'un tableau de bord du métabolisme urbain pour Zurich à l'aide de données ouvertes.
