Explore la méthode Hartree-Fock, les ensembles de base, les déterminants de Slater et les concepts de chimie quantique comme la contamination des spins et la règle de Hund.
Couvre les erreurs de base, les méthodes Hartree-Fock, la corrélation électronique, l'interaction de configuration et les approches composites en chimie computationnelle.
Explore les bases dans les espaces vectoriels, y compris les combinaisons linéaires, les bases orthogonales et les transformations de base à l'aide de matrices de rotation.
Explore la régression linéaire probabiliste et la régression de processus gaussien, en mettant l'accent sur la sélection du noyau et l'ajustement hyperparamétrique pour des prédictions précises.
Discute de la méthode de gradient pour l'optimisation, en se concentrant sur son application dans l'apprentissage automatique et les conditions de convergence.
Explore la vibration des molécules diatomiques AB et des séries de Fourier, en mettant l'accent sur les équations du mouvement et le théorème de Dirichlet.
Présente les principes fondamentaux de la régression dans l'apprentissage automatique, couvrant la logistique des cours, les concepts clés et l'importance des fonctions de perte dans l'évaluation des modèles.
Introduit des concepts clés d'apprentissage automatique, tels que l'apprentissage supervisé, la régression par rapport à la classification et l'algorithme K-Nearest Neighbors.
Explore les types d'ensembles de base, la polarisation, les fonctions diffuses, les ensembles de base Pople et la convergence en chimie computationnelle.
Explore la solution de l'équation de Schrdinger pour les systèmes à plusieurs électrons en utilisant des ensembles de base et le concept de fonctions de base.
