Explore la découverte causale à l'aide de modèles variables latents, en mettant l'accent sur les défis et les solutions pour déduire les relations causales à partir de données non gaussiennes.
Couvre la propagation des croyances sur les graphes, explorant les défis de calcul et les heuristiques, en se concentrant sur les propriétés de boucle des graphes aléatoires clairsemés.
Explore l'intégration de l'apprentissage automatique dans des modèles à choix discrets, en soulignant l'importance des contraintes théoriques et des approches hybrides de modélisation.
Explore les signaux de débruitage avec des modèles de mélange gaussien et l'algorithme EM, l'analyse de signal EMG et la segmentation d'image à l'aide de modèles markoviens.
Explore les algorithmes de classification génératifs et discriminatifs, en mettant l'accent sur leurs applications et leurs différences dans les tâches d'apprentissage automatique.
Couvre l'inférence statistique, l'apprentissage automatique, les SVM pour la classification des pourriels, le prétraitement des courriels et l'extraction des fonctionnalités.
Explore l'apprentissage des modèles latents dans des structures graphiques, en se concentrant sur des scénarios avec des échantillons incomplets et en introduisant la notion de distance entre les variables.
