S'engager dans la modélisation de l'apprenant, en soulignant l'importance de comprendre les comportements des élèves pour améliorer les activités d'apprentissage.
Explore l'inférence des connaissances pour les graphiques, en discutant de la propagation des étiquettes, des objectifs d'optimisation et du comportement probabiliste.
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
Explore les modèles thématiques, les modèles de mélange gaussien, la répartition des dirichlets latents et l'inférence variationnelle dans la compréhension des structures latentes à l'intérieur des données.
Présente l'attribution des dirichlets latents pour la modélisation des sujets dans les documents, en discutant de son processus, de ses demandes et de ses limites.
