Concept
Classification en classes multiples
Séances de cours associées (201)
Soutenez des machines de vecteur : SVMs
Explore Support Vector Machines, couvrant la marge ferme, la marge souple, la perte de charnière, la comparaison des risques et la perte de charnière quadratique.
Classification des documents : Aperçu
Explore les méthodes de classification des documents, y compris k-Nearest-Neighbors, Naïve Bayes Classifier, les modèles de transformateurs, et l'attention multi-têtes.
Régression logistique : modélisation et optimisation de la probabilité
Explore la régression logistique pour la classification binaire, couvrant la modélisation des probabilités, les méthodes d'optimisation et les techniques de régularisation.
MLPs: Perceptrons multi-couches
Introduit des perceptrons multicouches (MLP) et couvre la régression logistique, la reformulation, la descente de gradient, AdaBoost et les applications pratiques.
Classement avec GMM
Explore lutilisation des modèles de mélange gaussien pour la transition du clustering à la classification, couvrant la classification binaire, lestimation des paramètres et le classificateur Bayes optimal.
Modèles de classification linéaire : du binaire au multiclasse
Explore l'extension des classificateurs linéaires pour gérer les problèmes multiclasses et compare leurs performances sur divers ensembles de données.
Apprentissage automatique scientifique: erreurs optimales
Explore les erreurs optimales dans les modèles de grande dimension, en comparant les algorithmes et en faisant la lumière sur l'interaction entre l'architecture du modèle et la performance.
Modèles linéaires pour la classification
Explore les modèles linéaires pour la classification, la régression logistique, les limites de décision, la SVM, la classification multi-classes et les applications pratiques.
Argiles: Structure et propriétés
Explore la composition et la classification à l'échelle atomique des argiles, ainsi que leurs propriétés échangeables, leur plasticité et leurs mécanismes de durcissement.
SVM pour les jeux de données non séparables
Explique la MVS pour les ensembles de données non séparables, en introduisant des variables aléatoires et en optimisant la marge de classification.