Introduit l'apprentissage automatique scientifique, en mettant l'accent sur son application dans divers domaines scientifiques et sur le lien entre l'apprentissage automatique et la physique.
Explore les transitions de phase dans le modèle Ising, l'aimantation moyenne, la susceptibilité, les exposants critiques et l'universalité des exposants critiques.
Explore le modèle d'émission aléatoire du champ sur des graphiques aléatoires, en discutant des mises à jour de la propagation des croyances et de la dynamique des populations.
Explore les transitions de phase en thermodynamique, mettant l'accent sur la concurrence entre les phases contrôlées par la température et le concept d'universalité.
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 les aspects pratiques de la résolution des jeux de parité, y compris les stratégies gagnantes, les algorithmes, la complexité, le déterminisme et les approches heuristiques.
Défis posés par l'apprentissage des modèles probabilistes, couvrant la complexité des calculs, la reconstruction des données et les lacunes statistiques.
Explore les progrès dans les résolveurs de flux de puissance optimaux, en mettant l'accent sur l'optimisation multipériodes et les contraintes de sécurité.
