Couvre les mécanismes d'attention subquadratiques et les modèles d'espace d'état, en se concentrant sur leurs fondements théoriques et leurs implémentations pratiques dans l'apprentissage automatique.
Explore les lexiques, les n-grammes et les modèles de langage, soulignant leur importance dans la reconnaissance des mots et l'efficacité des n-grammes pour diverses tâches.
Explore le théorème de la limite centrale, la covariance, la corrélation, les variables aléatoires articulaires, les quantiles et la loi des grands nombres.
Introduit des réseaux de neurones artificiels et explore diverses techniques de réduction de la dimensionnalité telles que PCA, LDA, Kernel PCA et t-SNE.
Explore les noyaux de régression de processus gaussien, les coûts de calcul et les comparaisons avec la régression de crête et d'autres techniques de régression non linéaire.
Couvre les bases de l'apprentissage de renforcement, y compris l'apprentissage d'essai et d'erreur, l'apprentissage Q, le RL profond, et les applications dans le jeu et la planification.
Explore les tests d'hypothèses par le biais de la réfutation statistique et du calcul de probabilité, en mettant l'accent sur le niveau de signification et le traitement des erreurs dans les déclarations statistiques.
Explore le lien entre les transitions de phase en physique et les problèmes de calcul, en montrant comment les connaissances de la physique peuvent éclairer la conception des algorithmes.
Couvre la régression non paramétrique à l'aide de techniques d'estimation basées sur le noyau pour modéliser des relations complexes entre les variables.