Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.
Explore les protocoles d'évaluation dans l'apprentissage automatique, y compris le rappel, la précision, la précision et la spécificité, avec des exemples du monde réel comme les tests COVID-19.
Couvre les bases de la régression linéaire, de la classification binaire et multiclasse, et des mesures d'évaluation.
Discute de l'évaluation des classificateurs binaires, y compris le rappel, la sensibilité, la spécificité, les courbes ROC et les mesures de performance.
Explore les critères de performance dans l'apprentissage supervisé, en mettant l'accent sur la précision, le rappel et la spécificité dans l'évaluation des modèles.
Couvre les modèles linéaires pour la classification multi-classes, en se concentrant sur la régression logistique et les mesures d'évaluation.
Explore l'évaluation des modèles d'apprentissage automatique à l'aide de mesures de sortie, de bootstrap et de performance comme le rappel et la précision.
Introduit les bases de la recherche de l'information, en mettant l'accent sur la fréquence et la précision des documents dans l'évaluation de la qualité de la recherche.
Explore la courbe ROC, le taux vrai positif, le taux faux positif et les probabilités de prédiction dans les modèles de classification.
Explique la sensibilité, la spécificité, la courbe ROC et la précision dans les tests de diagnostic.
