Couvre les techniques de réduction de dimensionnalité, de regroupement et d'estimation de la densité, y compris l'ACP, les moyennes K, le MGM et le décalage moyen.
Explore les méthodes d'estimation du spectre paramétrique, y compris les spectres linéaires et lisses, et se penche sur l'analyse de la variabilité de la fréquence cardiaque.
Couvre les concepts clés de l'apprentissage par renforcement, des réseaux neuronaux, du clustering et de l'apprentissage non supervisé, en mettant l'accent sur leurs applications et leurs défis.
Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.
Introduit le cours de programmation de l'apprentissage automatique, couvrant les prérequis de programmation de MATLAB et les bases de l'apprentissage automatique, ainsi que le système de classement et le matériel de cours.
Explore la modélisation des signaux neurobiologiques, en se concentrant sur les pics, la vitesse de tir, plusieurs neurones d'état, et l'estimation des paramètres.
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.
