Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.
Annonce les gagnants des prix de la réunion annuelle, reconnaissant les œuvres d'affiches et de vidéos exceptionnelles et les présentations du programme Next Tech.
Présente un cadre pour la surveillance non intrusive du confort thermique à l'aide de techniques de vision par ordinateur et d'apprentissage automatique.
Couvre l'apprentissage non supervisé, en mettant l'accent sur la réduction de la dimensionnalité et le regroupement, en expliquant comment il aide à trouver des modèles dans les données sans étiquettes.
Explique les conditions d'utilisation de l'apprentissage automatique dans des problèmes complexes avec des modèles dans les données et l'accès à un ensemble de données.
S'insère dans l'apprentissage continu des modèles de représentation dans l'intelligence cérébrale, mettant l'accent sur l'adaptation rapide aux environnements non structurés.
Explore la règle discriminatoire gaussienne pour la classification à l'aide de modèles de mélange gaussien et discute des limites de dessin et de la complexité du modèle.
Explore la correspondance des données non linéaires avec des dimensions plus élevées à l'aide de la SVM et couvre l'expansion des caractéristiques polynomiales, la régularisation, les implications sonores et les méthodes d'ajustement des courbes.
