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.
Explore les modèles de calcul du système visuel ventral, en se concentrant sur l'optimisation des réseaux pour les tâches réelles et la comparaison avec les données cérébrales.
Explore l'évolution de la représentation de l'image, les défis dans l'apprentissage supervisé, les avantages de l'apprentissage auto-supervisé, et les progrès récents dans SSL.
Explore le déchiffrage des empreintes digitales de l'interaction protéine-protéine à l'aide d'un apprentissage en profondeur géométrique et les défis de la conception de l'interaction protéine-protéine computationnelle.
S'oriente vers l'approximation du réseau neuronal, l'apprentissage supervisé, les défis de l'apprentissage à haute dimension et la révolution expérimentale de l'apprentissage profond.
Résume les approximations de gradient généralisées, les méta-GGA, les fonctions hybrides, la dynamique moléculaire des premiers principes, les simulations QM / MM et les caractéristiques importantes des calculs de chimie quantique.
