Séquençage de l'ARN à cellule unique : méthodes et applications

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (31)

Page 3 sur 4

Apprentissage automatique non supervisé: Clustering Basics

Introduit des techniques de clustering d'apprentissage automatique non supervisées telles que K-means, Gaussian Mixture Models et DBSCAN, expliquant leurs algorithmes et leurs applications.

Introduction au clustering : méthodes et applications

Couvre les bases du clustering dans l'apprentissage non supervisé et ses applications pratiques.

Découverte des systèmes et de la structure Recommender

Explore les systèmes de recommandation, les modèles de facteurs latents et les algorithmes de clustering pour la découverte de structures.

Clusters et communautés

Explore le clustering, la détection de communauté, K-means, GMM, la modularité et la méthode Louvain.

Clustering : réduction de la dimensionnalité

Explore les techniques de clustering et de réduction de la dimensionnalité en finance pour nettoyer et simplifier les données.

Techniques de clustering : K-means et DBSCAN

Explore les techniques de regroupement k-means et DBSCAN, couvrant les types d'affectation et de classification des points de données.

Structure Discovery: Retracer les connaissances des élèves

Introduit des algorithmes de traçage des connaissances bayésiennes, de modélisation des facteurs additifs et de regroupement pour tracer les connaissances des étudiants et découvrir les structures.

Regroupement: K-means & LDA

Couvre le clustering en utilisant les propriétés K-means et LDA, PCA, K-means, Fisher LDA et le clustering spectral.

Coloration graphique II

Explore les concepts avancés de coloration graphique, y compris la coloration plantée, le seuil de rigidité, et les variables gelées en points fixes BP.

Clustering: Apprentissage sans supervision

Explore la réduction de la dimensionnalité, les algorithmes de clustering et l'état de l'apprentissage automatique.