Explore NMF guidé par la physique pour l'analyse de données STEM/EDXS, couvrant les défis, l'optimisation, les contraintes et les avantages de la modélisation.
Explore la logique prédictive, en mettant l'accent sur les quantificateurs et les formes normales, soulignant l'importance de trouver des témoins et des contre-exemples.
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.
Introduit les bases de l'apprentissage automatique, couvrant l'apprentissage supervisé et non supervisé, la régression linéaire et la compréhension des données.
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 les principes fondamentaux de l'apprentissage profond, y compris les données, l'architecture et les considérations éthiques dans le déploiement de modèles.
Couvre l'apprentissage non supervisé, en mettant l'accent sur la réduction de la dimensionnalité et le regroupement, en expliquant comment il aide à trouver des modèles dans les données sans étiquettes.
Couvre l'analyse des données sur la pollution atmosphérique, en se concentrant sur les bases de R, en visualisant des séries chronologiques et en créant des résumés des concentrations de polluants.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
Explore les techniques de mesure mécanique dans les sciences de la vie, couvrant la microscopie, les pièges optiques, les pinces magnétiques et les billes déformables.
Explore l'apprentissage actif dans la théorie de groupe, en mettant l'accent sur les produits, les coproduits, les adjonctions et les transformations naturelles.
Explore la préparation des données pour l'apprentissage automatique, en mettant l'accent sur la conversion numérique et les techniques efficaces de visualisation des données.
Explore les signaux de débruitage avec des modèles de mélange gaussien et l'algorithme EM, l'analyse de signal EMG et la segmentation d'image à l'aide de modèles markoviens.
Explore l'évolution du photovoltaïque de la recherche au marché, en mettant l'accent sur la durabilité, l'efficacité et la transition énergétique mondiale.
Couvre la modélisation de la dépendance temporelle dans les séries chronologiques, y compris la tendance, les composantes périodiques, la régression, la stationnarité, l'autocorrélation et les essais d'indépendance.