Séance de cours
Bases de l'apprentissage automatique
Séances de cours associées (36)
Méthodes de décomposition et de régression des erreurs
Couvre la décomposition des erreurs, la régression polynomiale et les voisins K les plus proches pour la modélisation flexible et les prédictions non linéaires.
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.
Bias-Variance
Explore limpact de la complexité du modèle sur la qualité de la prédiction à travers le compromis biais-variance, en mettant laccent sur la nécessité déquilibrer le biais et la variance pour une performance optimale.
Règles de voisinage les plus près: Partie 2
Explore les règles de voisinage les plus proches, les défis de l'algorithme k-NN, le classificateur Bayes et l'algorithme k-means pour le regroupement.
Introduction à l'apprentissage automatique : apprentissage supervisé
Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.
Apprentissage statistique: Principes fondamentaux
Introduit les principes fondamentaux de l'apprentissage statistique, couvrant l'apprentissage supervisé, la théorie de la décision, la minimisation des risques et l'ajustement excessif.
Fondements de l'apprentissage automatique
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Paysage et généralisation dans l'apprentissage profond
Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.
Théorie de la généralisation
Explore la théorie de la généralisation dans l'apprentissage automatique, en abordant les défis dans les espaces de dimension supérieure et le compromis entre les biais et les variables.
Algorithmes ML non linéaires
Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.