Explore la surveillance mondiale de la qualité de l'air au moyen de données satellitaires couvrant les feux de forêt, les émissions de navires, le brouillard, la poussière sahraouie et les incendies en Europe.
Couvre PCA et LDA pour la réduction de dimensionnalité, expliquant la maximisation de la variance, les problèmes de vecteurs propres et les avantages de Kernel PCA pour les données non linéaires.
Explore l'impôt sur le revenu des particuliers et des sociétés, l'évasion fiscale, les taux d'imposition supérieurs en Europe et les préoccupations éthiques dans la finance.
Couvre les bases des réseaux neuronaux, des fonctions d'activation, de la formation, du traitement d'image, des CNN, de la régularisation et des méthodes de réduction de dimensionnalité.
Explore la décomposition de la valeur singulière et l'analyse des composantes principales pour la réduction de la dimensionnalité, avec des applications de visualisation et d'efficacité.
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Explore l'équivalence entre les différentes propriétés des transformations linéaires représentées par des matrices et diverses opérations matricielles.
Explore l'analyse numérique des équations non linéaires, en mettant l'accent sur les critères de convergence et les méthodes comme la bisection et l'itération à point fixe.