Couvre la descente du gradient stochastique, la régression linéaire, la régularisation, l'apprentissage supervisé et la nature itérative de la descente du gradient.
Explore l'apprentissage auto-supervisé, l'apprentissage par transfert, les tâches de prédiction SSL, l'apprentissage des fonctionnalités, les rotations d'images, l'apprentissage contrasté et les apprenants en vision.
Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.
Explore les transformateurs en intelligence visuelle, en se concentrant sur la détection d'objets, la synthèse d'images et la fusion de fonctionnalités.
Introduit les bases de l'apprentissage automatique, couvrant l'apprentissage supervisé et non supervisé, la régression linéaire et la compréhension des données.
