Explore les modèles linéaires pour la classification, y compris la classification binaire, la régression logistique, les limites de décision et les machines vectorielles de support.
Explore la dualité forte, le relâchement complémentaire, l'interprétation économique et les scénarios de problèmes stochastiques dans la programmation linéaire.
Se penche sur la représentation symbolique des espaces d'état à l'aide de diagrammes de décision pour les réseaux Petri de haut niveau, présentant des techniques d'encodage efficaces et des résultats de référence.
Explore les algorithmes d'apprentissage automatique, les techniques de sélection des fonctionnalités telles que les descripteurs FAST et BRIEF, et les limites de l'apprentissage profond.
Couvre l'analyse de décision multicritères pour le choix des investissements et la durabilité, y compris les défis dans la sélection des critères et les méthodes de notation.
Se penche sur les perspectives géométriques des modèles d'apprentissage profond, explorant leur vulnérabilité aux perturbations et l'importance de la robustesse et de l'interprétabilité.
Explore les extrêmes de la capacité d'interprétation dans l'apprentissage automatique, en mettant l'accent sur les arbres de décision clairsemés et les réseaux neuraux interprétables.
