Expansion des fonctionnalités et méthodes Kernel

Cette séance de cours couvre les concepts de l'expansion des fonctionnalités et des méthodes du noyau dans l'apprentissage automatique. Il commence par un récapitulatif des modèles linéaires, des machines à marge, des classificateurs de marge maximale et des machines vectorielles de support. Il se penche ensuite sur des sujets tels que les classes qui se chevauchent, les variables slack, les différents modèles linéaires de classification et l'impact des fonctions de perte. La séance de cours progresse pour discuter de l'ajustement de la courbe polynomiale, des méthodes du plus proche voisin, des k voisins les plus proches, de la malédiction de la dimensionnalité et de la classification non linéaire. Il se termine par une exploration approfondie de l'expansion des fonctionnalités polynomiales, des fonctions du noyau, de la régression du noyau, de la SVM du noyau et de l'astuce du noyau.