Explore les modèles paramétriques dans l'analyse des données, couvrant les estimateurs de régression, les problèmes d'optimisation et les modèles statistiques.
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.
Explore le rôle du calcul dans les mathématiques de données, en mettant l'accent sur les méthodes itératives, l'optimisation, les estimateurs et les principes d'ascendance.
Explore l'optimalité des taux de convergence dans l'optimisation convexe, en mettant l'accent sur la descente accélérée des gradients et les méthodes d'adaptation.
Couvre les modèles d'apprentissage statistique, la minimisation des risques et la minimisation empirique des risques avec des exemples d'estimateurs de probabilité maximale.
Explore les méthodes de descente de gradient pour les problèmes convexes lisses et non convexes, couvrant les stratégies itératives, les taux de convergence et les défis d'optimisation.
Couvre les bases de l'optimisation, y compris les métriques, les normes, la convexité, les gradients et la régression logistique, en mettant l'accent sur les forts taux de convexité et de convergence.
