EPFL Logo
fr|en
Se Connecter
Séance de cours

Prétraitement des données : Défis liés au traitement

Dans cours
DEMO: excepteur pariatur voluptate
Veniam do irure minim esse velit consequat reprehenderit in sunt labore velit elit adipisicing magna. Ipsum nostrud culpa nostrud id consequat elit minim excepteur enim sint excepteur. Aliquip commodo occaecat excepteur aliqua qui. Et ex in est nisi aliquip Lorem magna occaecat eu aliquip anim nulla enim irure. Aute occaecat ullamco id et aliqua laborum enim veniam. Sunt sit sint nostrud amet cupidatat ullamco.
Connectez-vous pour voir cette section
Description

Cette séance de cours porte sur les techniques avancées de prétraitement des données, y compris le traitement de l'encodage catégorique des données, les données manquantes et les ensembles de données déséquilibrés. Il explique des méthodes comme l'encodage à chaud, le remplacement des valeurs manquantes par la moyenne ou la régression, et l'échantillonnage descendant/suréchantillonnage pour les ensembles de données déséquilibrés. L'instructeur met l'accent sur l'importance des mesures du rendement et donne des indications sur la maximisation des attentes pour les valeurs manquantes. La séance de cours traite également de l'utilisation de matrices de confusion pour des ensembles de données déséquilibrés et compare les performances des classificateurs. Des documents supplémentaires sur la sélection et le regroupement des ensembles de données sont brièvement mentionnés.

Connectez-vous pour regarder la vidéo
Enseignant
veniam qui dolor
Proident et veniam cupidatat amet cillum incididunt veniam dolore ex dolor tempor. Enim veniam mollit et cillum mollit commodo cupidatat reprehenderit quis laborum exercitation sunt enim pariatur. Mollit laboris Lorem incididunt ex duis occaecat. Deserunt id anim qui voluptate eiusmod. Nulla enim Lorem commodo in nulla excepteur eu exercitation amet incididunt ullamco. Consectetur cupidatat velit consectetur deserunt minim adipisicing cupidatat non Lorem pariatur nostrud ut. Nostrud fugiat aliquip et ullamco aute reprehenderit consequat mollit cupidatat enim id minim incididunt.
Connectez-vous pour voir cette section
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Proximité ontologique
Information engineering
Séances de cours associées (32)
Analyse des documents : Modélisation des sujets
Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.
Apprentissage sans supervision : regroupement et réduction de dimensionnalité
Introduit l'apprentissage non supervisé en cluster avec les moyennes K et la réduction de dimensionnalité à l'aide de PCA, ainsi que des exemples pratiques.
Groupement : moyenne en k
Explique le regroupement des moyennes k, en attribuant des points de données à des grappes en fonction de la proximité et en minimisant les distances carrées à l'intérieur des grappes.
Méthodes de regroupement
Couvre les méthodes de regroupement des moyennes K, hiérarchiques et DBSCAN avec des exemples pratiques.
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.
Afficher plus

Copyright © 2025 EPFL, tous droits réservés

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.