Concept
Surapprentissage
Séances de cours associées (160)
Utiliser la validation croisée : construire un prédicteur final
Couvre l'interprétation des estimations du risque de validation croisée et la construction d'un prédicteur final à partir des résultats de validation croisée.
Jeux de formation et de test
Souligne l'importance de séparer les données de formation et de test pour les modèles d'apprentissage automatique.
Régression linéaire et logistique
Couvre la régression linéaire et logistique, y compris les mesures de sous-ajustement, de surajustement et de performance.
Deep Learning: Surparamétrie et généralisation
Explore la surparamétrie, la généralisation, le surajustement, le sous-ajustement et la régularisation implicite dans les modèles d'apprentissage profond.
Apprentissage statistique: Principes fondamentaux
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.
Mathématiques des données: modèles et estimateurs
Couvre les mathématiques des données, en mettant l'accent sur les modèles, les estimateurs et les questions pratiques dans l'analyse des données.
Régression logistique : interprétation et ingénierie des caractéristiques
Couvre la régression logistique, l'interprétation probabiliste et les techniques d'ingénierie des caractéristiques.
Méthodes de régularisation : Formation et Validation Base
Explore les méthodes de régularisation dans les réseaux neuronaux, en soulignant l'importance des bases d'entraînement et de validation pour éviter les surajustements.
Sélection du modèle : Généralisation et Validation
Explore la généralisation, la sélection des modèles et la validation dans l'apprentissage automatique, en soulignant l'importance de l'évaluation impartiale des modèles.
Régression linéaire et dorsale
Couvre la régression linéaire et de crête, le surajustement, les hyperparamètres et les ensembles d'essai.