Fonction objectif

Séances de cours associées (129)

Classification linéaire: Traitement des signaux

Explore la classification linéaire, l'extraction des caractéristiques, les fonctions de perte, la validation croisée et les échelles spatiales dans le traitement des signaux et l'analyse de l'IRMf.

SVM non linéaire : Noyaux et double optimisation

Explore la transformation des données avec des cartes non linéaires, des noyaux, une double optimisation et l'interprétation des résultats SVM.

Méthodes Primal-dual pour la minimisation composite

Couvre les méthodes primal-dual pour la minimisation composite, les algorithmes stochastiques, les problèmes non convexes et les techniques de pénalité quadratique.

Réseaux neuronaux sous SGD

Explore les réseaux neuronaux formés sous la descente de gradient stochastique, discutant des couches cachées, de la fonction de perte carrée et de l'évolution des particules.

Arbres de décision et de régression

Explore les arbres de décision et de régression, les mesures d'impuretés, les algorithmes d'apprentissage et les implémentations, y compris les arbres d'inférence conditionnelle et la taille des arbres.

Taylor Expansions: Premier ordre MOOC: Introduction to optimization on smooth manifolds: first order methods

Explore Taylor expansions de premier ordre dans l'optimisation sur les collecteurs.

Estimation du maximum de vraisemblance : économétrie

Introduit une estimation de vraisemblance maximale en économétrie, couvrant les principes, les propriétés, les applications et les tests de spécification.

Réduction des dimensions linéaires : PCA et LDA

Explore PCA et LDA pour la réduction de dimensionnalité linéaire dans les données, en mettant l'accent sur les techniques de clustering et de séparation de classe.

Descente de gradient projetée et pénalité quadratique

Couvre les méthodes Projected Gradient Descent et Quadratic Penalty pour les problèmes d'optimisation.

Ensachage et forêts aléatoires

Couvre l'ensemblage, l'ensachage, les forêts aléatoires, l'importance variable et la validation croisée OOB dans l'apprentissage automatique.