Couvre le rôle des modèles et des données dans lapprentissage statistique et les formulations doptimisation, avec des exemples de problèmes de classification, de régression et destimation de la densité.
Couvre une introduction mathématique à l'apprentissage profond, y compris les défis, la puissance des classificateurs linéaires, l'échelle du modèle et les aspects théoriques.
Explore les mathématiques de l'apprentissage profond, les réseaux neuronaux et leurs applications dans les tâches de vision par ordinateur, en abordant les défis et le besoin de robustesse.
Explore l'impact du bruit de gradient sur les algorithmes d'optimisation, en se concentrant sur les fonctions de risque lisses et non lisses et la dérivation des moments de bruit de gradient.
Explore la théorie de la généralisation dans l'apprentissage automatique, en abordant les défis dans les espaces de dimension supérieure et le compromis entre les biais et les variables.
Couvre les modèles linéaires, y compris la régression, les dérivés, les gradients, les hyperplans et la transition de classification, en mettant laccent sur la minimisation des risques et des mesures dévaluation.
Explore l'apprentissage par machine contradictoire, les réseaux d'adversaires génériques et les défis des exemples d'adversaires dans l'optimisation des données.
Explique la machine vectorielle de soutien et la régression logistique pour les tâches de classification, en mettant l'accent sur la maximisation de la marge et la minimisation des risques.
Couvre la minimisation empirique des risques, l'apprentissage statistique et des exemples de prédiction du cancer, de prix des maisons et de génération d'images.
