Explore les fondamentaux de l'apprentissage profond, y compris la classification de l'image, les principes de travail du réseau neuronal et les défis de l'apprentissage automatique.
Explore la méthode variationnelle dans le Random Field Ising Model, en discutant de la fonction de coût, des questions algorithmiques, de l'inégalité de Gibbs et de l'énergie libre de Gibbs.
Explique la théorie des champs de réplica dans RFIM, en mettant l'accent sur les méthodes Cavity et Replica et la dominance exponentielle de certaines valeurs.
Explore la propagation de la croyance dans les modèles graphiques, les graphiques de facteurs, les exemples de verre de spin, les distributions de Boltzmann et les propriétés de coloration des graphiques.
Explore la propagation des croyances sur les arbres, discutant des marges des cavités, des algorithmes de transmission de messages et du calcul de l'entropie libre.
Explore une variété de problèmes ouverts en théorie des graphes et en complexité informatique, mettant au défi les étudiants d'analyser et de résoudre des problèmes complexes.
