Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.
Explore la découverte et la planification de traitements guidés par l'apprentissage automatique en médecine personnalisée à l'aide de données à haut débit et d'un transport optimal neuronal.
Explore l'invariance, la causalité et la robustesse de l'analyse des données, en abordant les défis et les implications pour la généralisation de la distribution.
Explore l'impact des activités de saut sur la réussite des élèves et l'utilisation de matrices de transition et de cubes d'analyse d'apprentissage pour prédire les états des élèves.
Explore la combinaison de données au repos avec des données en mouvement, en mettant l'accent sur les complexités de l'architecture Lambda et l'évaluation de la qualité des flux et des lots.
Introduit les bases de la régression linéaire, de l'interprétation des coefficients, des hypothèses, des transformations et de la «différence des différences» pour l'analyse causale.
Couvre les progrès des systèmes d'analyse de données et le rôle de la co-conception matériel-logiciel dans l'amélioration des performances à l'ère post-Moore.
Couvre les défis et les opportunités de l'exploration de données, des questions pratiques, des composants d'algorithmes et des applications telles que l'analyse du panier d'achat.
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.
