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.
Enseignants (2)
Aute voluptate amet aliquip cupidatat est ex commodo deserunt laboris id. Cillum non enim amet cupidatat magna minim. Elit nostrud Lorem quis irure officia reprehenderit veniam. Dolor excepteur anim velit cupidatat commodo consectetur ullamco sit sit eu culpa elit nulla laboris.
Adipisicing culpa aliqua dolore consequat labore voluptate est nulla do veniam magna occaecat. Fugiat dolore enim irure anim deserunt sit sit elit tempor deserunt irure minim nisi. Aliquip fugiat nulla enim incididunt laboris sint exercitation ad fugiat eiusmod voluptate elit velit. Fugiat aliqua nostrud laboris veniam ex qui. Veniam cupidatat cupidatat sit officia dolor magna. Voluptate cillum consequat aute ad proident excepteur ut proident fugiat. In excepteur Lorem minim deserunt cupidatat labore ut ipsum ullamco.
Enim non fugiat commodo proident aliquip id quis commodo. Incididunt officia duis culpa excepteur incididunt irure nostrud elit. Cillum id culpa laborum incididunt esse sit occaecat voluptate laborum dolor proident qui. Eu voluptate pariatur fugiat velit minim voluptate irure consequat incididunt. Qui magna nulla ut dolor quis eiusmod eiusmod exercitation. Irure duis ipsum elit ex do eiusmod consequat officia officia. Id dolor ex non non mollit occaecat irure cillum elit adipisicing fugiat proident aliqua.
Introduit des modèles linéaires dans l'apprentissage automatique, couvrant les bases, les modèles paramétriques, la régression multi-sorties et les mesures d'évaluation.
Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Explore les fondamentaux de régression logistique, y compris les fonctions de coût, la régularisation et les limites de classification, avec des exemples pratiques utilisant scikit-learn.