Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.
Explore la modélisation de la contrainte thermique basée sur les données dans la fabrication additive, en mettant l'accent sur des profils de température fiables et des propriétés dépendantes de la microstructure.
Explore le surajustement dans la régression polynomiale, en soulignant l'importance de la généralisation dans l'apprentissage automatique et les statistiques.
Se penche sur la prédiction des propriétés non scalaires au-delà des énergies dans l'apprentissage scientifique des machines, en se concentrant sur les moments dipolaires, la polarisabilité et la réponse diélectrique.
Couvre la régression linéaire, lanalyse de corrélation et les fondamentaux de régression logistique, en mettant laccent sur la distinction entre la corrélation et la causalité.
