Explore les fondamentaux de la régression linéaire, la formation des modèles, l'évaluation et les mesures du rendement, en soulignant l'importance de la R2, du MSE et de l'EAM.
Couvre la régression linéaire, la régularisation, les problèmes inverses, la tomographie par rayons X, la reconstruction d'images, l'inférence de données et l'intensité du détecteur.
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.
Couvre la régression linéaire et pondérée, les paramètres optimaux, les solutions locales, l'application SVR et la sensibilité des techniques de régression.
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Explore la propagation des croyances, les clusters gelés et les seuils de colorabilité dans les modèles graphiques, ce qui explique l'importance de la propagation des enquêtes dans la résolution des problèmes de satisfaction liés aux contraintes.
Couvre la conversion analogique-numérique et numérique-analogique, y compris l'échantillonnage, la quantification, le convertisseur Flash, la génération de courant pondérée et le réseau R2R.