Concept
Dilemme biais-variance
Séances de cours associées (115)
Validation et méthode k-Nearest Neighbors
Introduit des concepts d'apprentissage supervisé et la méthode k-Nearest Neighbors pour les tâches de classification et de régression.
Bias-Variance
Explore limpact de la complexité du modèle sur la qualité de la prédiction à travers le compromis biais-variance, en mettant laccent sur la nécessité déquilibrer le biais et la variance pour une performance optimale.
Régression non paramétrique
Couvre la régression non paramétrique, le lissage par dispersion, les méthodes du noyau et le compromis biais-variance.
Aborder le suréquipement dans les arbres de décision
Explore le surajustement dans les arbres de décision et introduit des forêts aléatoires comme solution.
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
Théorie de la généralisation
Explore la théorie de la généralisation dans l'apprentissage automatique, en abordant les défis dans les espaces de dimension supérieure et le compromis entre les biais et les variables.
Apprentissage supervisé : arbre k-NN et arbre de décision
Introduit l'apprentissage supervisé avec k-NN et les arbres de décision, couvrant les techniques, les exemples et les méthodes d'ensemble.
Conclusions sur la théorie de l'apprentissage statistique
Explore les conclusions de la théorie de l'apprentissage statistique, en mettant l'accent sur la complexité des fonctions, la généralisation et le compromis biais-variance.
SVM et Feature Maps
Explore les SVM, les cartes de fonctionnalités et l'importance de trouver la solution à la marge maximale pour les problèmes de classification.
Les bases du machine learning : l’apprentissage supervisé
Introduit les bases de l'apprentissage automatique supervisé, couvrant les types, les techniques, le compromis biais-variance et l'évaluation du modèle.