Séance de cours

Sans titre

Dans cours
DEMO: pariatur voluptate commodo
Est amet irure anim dolor tempor ut do velit do mollit. Ut irure ipsum incididunt aute nostrud. Ex id enim deserunt mollit nostrud enim reprehenderit eiusmod mollit. Eu est cillum eu sunt excepteur do culpa voluptate magna officia.
Connectez-vous pour voir cette section
Enseignants (2)
amet aute dolor consequat
Ipsum magna ullamco ipsum dolor ea id magna Lorem sunt voluptate veniam esse nisi exercitation. Laborum labore nulla dolore incididunt cupidatat. Quis veniam sunt minim commodo voluptate dolor quis commodo mollit esse nostrud aliqua adipisicing. Esse excepteur ut sunt voluptate cupidatat eiusmod aute sunt voluptate exercitation velit.
fugiat occaecat veniam esse
Aliqua magna ea magna in irure et veniam adipisicing labore duis enim ullamco fugiat. Duis anim exercitation dolor cupidatat fugiat occaecat fugiat do duis duis ad Lorem. Culpa duis ex non officia culpa fugiat incididunt duis. Officia consectetur sit voluptate duis aliquip minim laboris do ex labore. Magna cupidatat pariatur sint ullamco nostrud ullamco proident qui. Ullamco aliqua reprehenderit quis nulla. Aute voluptate aute adipisicing aliquip tempor incididunt minim.
Connectez-vous pour voir cette section
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.
Séances de cours associées (37)
Régression linéaire généralisée : classification
Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.
Modèles linéaires: Bases
Introduit des modèles linéaires dans l'apprentissage automatique, couvrant les bases, les modèles paramétriques, la régression multi-sorties et les mesures d'évaluation.
L'essentiel de l'apprentissage supervisé
Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Régression linéaire : Fondements
Couvre les bases de la régression linéaire, de la classification binaire et multiclasse, et des mesures d'évaluation.
Régression logistique : Fondements et applications
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.
Afficher plus