Couvre le concept de régression du noyau et rend les données linéairement séparables en ajoutant des fonctionnalités et en utilisant des méthodes locales.
Introduit des méthodes de noyau telles que SVM et régression, couvrant des concepts tels que la marge, la machine vectorielle de support, la malédiction de la dimensionnalité et la régression de processus gaussien.
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.
Explore la régression non paramétrique pour les réseaux, couvrant l'analyse des données d'objets, les graphiques de réseaux, les distances extrinsèques et les projections pratiques.
Couvre les probabilités, les variables aléatoires, les attentes, les GLM, les tests d'hypothèse et les statistiques bayésiennes avec des exemples pratiques.
Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.
