Explore le rôle des graphiques dans l'apprentissage en profondeur, en se concentrant sur leur structure, leurs applications et leurs techniques de traitement des données graphiques.
Couvre l'étalonnage des modèles à l'aide de mesures, de capteurs virtuels, de la réconciliation des données et de l'identification des paramètres dans les modèles de processus.
Explore les algorithmes de consensus qui varient dans le temps dans les systèmes de contrôle en réseau et le rôle de la matrice laplacienne dans l'obtention d'un consensus moyen.
Explore les algorithmes de consensus dans les systèmes de contrôle en réseau, couvrant des sujets tels que les modèles Metropolis-Hasting et le calcul distribué de régression des moins-quaires.
Couvre les algorithmes de flux de réseau, y compris Max Flow, Min Cut, et l'algorithme de cycle de coût négatif, progressant de définitions de base à des algorithmes avancés comme Bellman-Ford et Dijkstra.
Explore le lien entre les graphiques et les probabilités, en mettant l'accent sur les probabilités modulaires et super modulaires et les propriétés de corrélation.
Explore le pseudo-aléatoire dans les graphes en utilisant des valeurs propres et des polynômes, en soulignant l'importance des racines groupées et des entrelaceurs communs.
