Séance de cours
Prédire les précipitations: Miniprojet BIO-322
Séances de cours associées (133)
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.
Aperçu de l'apprentissage supervisé
Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.
Clustering: Théorie et pratique
Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.
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.
Réseaux neuronaux récurrents : Détection de la langue
Explore la détection des langues à l'aide de réseaux neuronaux récurrents et de concepts d'apprentissage supervisé.
Apprentissage sans supervision: PCA & K-means
Couvre l'apprentissage non supervisé avec l'APC et les moyennes K pour la réduction de dimensionnalité et le regroupement des données.
Prévision de retour des stocks
Couvre les défis et les techniques de prévision du rendement des stocks à l'aide d'un apprentissage supervisé.
Clustering des séries chronologiques
Couvre les séries chronologiques groupées à l'aide de modèles dynamiques de temps de distorsion, de chaînes de caractères et de Markov.
Introduction à l'apprentissage automatique
Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.