Introduit les principes fondamentaux de l'apprentissage statistique, couvrant l'apprentissage supervisé, la théorie de la décision, la minimisation des risques et l'ajustement excessif.
Explore l'optimalité dans la théorie de la décision et l'estimation impartiale, en mettant l'accent sur la suffisance, l'exhaustivité et les limites inférieures du risque.
Explore les défis de santé mondiale en médecine régénérative et en éthique, en guidant les étudiants sur le développement de projets et l'évaluation critique.
Explore les arbres de décision et de régression, les mesures d'impuretés, les algorithmes d'apprentissage et les implémentations, y compris les arbres d'inférence conditionnelle et la taille des arbres.
Couvre la manipulation des défaillances dans les systèmes asynchrones en utilisant le modèle d'acteur et discute de la supervision, de la résilience et du cycle de vie des acteurs.
