Couvre les bases de l'apprentissage automatique pour les ingénieurs, y compris l'étalonnage, les exigences de cours, des exemples pratiques, des concepts d'IA et des applications ML.
Introduit des concepts clés d'apprentissage automatique, tels que l'apprentissage supervisé, la régression par rapport à la classification et l'algorithme K-Nearest Neighbors.
Explore le picking automatisé des barres de renforcement dans les données radar pénétrantes au sol à l'aide de techniques d'apprentissage automatique et de traitement du signal.
Introduit des techniques de clustering d'apprentissage automatique non supervisées telles que K-means, Gaussian Mixture Models et DBSCAN, expliquant leurs algorithmes et leurs applications.
Couvre l'importance de la maintenance préventive pour la détection de la détresse de la chaussée et introduit des concepts d'apprentissage automatique pour les ingénieurs.
Explore les applications d'apprentissage automatique dans l'ingénierie sismique, couvrant l'analyse des tremblements de terre, les approches expérimentales et les projets de prévision d'effondrement.
Introduit des machines vectorielles de support, couvrant la perte de charnière, la séparation hyperplane et la classification non linéaire à l'aide de noyaux.
