Couvre la transformée de Fourier, ses propriétés, ses applications dans le traitement du signal et les équations différentielles, en mettant l'accent sur le concept de dérivées devenant des multiplications dans le domaine des fréquences.
Explore l'apprentissage supervisé en économétrie financière, en mettant l'accent sur les algorithmes de classification comme Naive Bayes et la régression logistique.
Explore les outils mathématiques pour les différences de fonctions de variables multiples et leurs applications pratiques dans les scénarios de thermodynamique et de vie réelle.
Introduit des modèles linéaires pour l'apprentissage supervisé, couvrant le suréquipement, la régularisation et les noyaux, avec des applications dans les tâches d'apprentissage automatique.
Explore les espaces tangents en tant que directions de mouvement libre sur des sous-groupes, offrant une notion de linéarisation géométriquement satisfaisante.
Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Explore la perception dans l'apprentissage profond pour les véhicules autonomes, couvrant la classification d'image, les méthodes d'optimisation, et le rôle de la représentation dans l'apprentissage automatique.
