Introduit les principes fondamentaux de l'apprentissage statistique, couvrant l'apprentissage supervisé, la théorie de la décision, la minimisation des risques et l'ajustement excessif.
S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.
Plongez dans l'application de l'intelligence artificielle dans la finance, en explorant des outils tels que les réseaux neuronaux et les techniques bayésiennes, les cas d'utilisation réussis dans la détection des fraudes et les robots-conseillers, et l'importance de l'interprétabilité dans les modèles d'apprentissage automatique.
Couvre les modèles de décision en neuroscience computationnelle, en mettant l'accent sur la dynamique concurrentielle et la prise de décision perceptive.
Plonge dans la prise de décision sous le risque, la rationalité limitée, la théorie des prospects et le cadrage, avec des idées de l'économie comportementale.
