Description probabiliste de la turbulence

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (29)

Page 3 sur 3

Probabilité conditionnelle : comprendre les événements et leurs relations

Couvre les probabilités conditionnelles, illustrant comment les événements influencent les probabilités des uns et des autres et leurs applications dans des scénarios réels.

Apprentissage sans supervision: PCA & K-means

Couvre l'apprentissage non supervisé avec l'APC et les moyennes K pour la réduction de dimensionnalité et le regroupement des données.

Théorie des polymères: Distance de bout en bout

Explore le calcul de la distance de bout en bout dans la théorie des polymères, en se concentrant sur l'isotropie, les distributions de probabilité et le modèle de Kratky-Porod.

Gaussian Naive Bayes & K-NN

Couvre les bayes naïfs gaussiens, les voisins les plus proches du K et le réglage hyperparamétrique dans l'apprentissage automatique.

Principes de la mécanique quantique : dualisme onde-particule

Explore le dualisme onde-particule en mécanique quantique et la quantification des niveaux d'énergie dans les atomes.

Erreur de généralisation

Explore les limites de queue, les limites d'information et les fuites maximales dans le contexte d'une erreur de généralisation.

Introduction à l'inférence

Couvre les bases de la théorie des probabilités, des variables aléatoires, de la probabilité conjointe et de l'inférence.

Principes fondamentaux de l'apprentissage supervisé

Présente les principes fondamentaux de l'apprentissage supervisé, y compris les fonctions de perte et les distributions de probabilité.

Éléments de la statistique : probabilité et variables aléatoires

Introduit des concepts clés en variables de probabilité et aléatoires, couvrant les statistiques, les distributions et la covariance.