Lasso et MNIST Basics

Cette séance de cours couvre les bases de la régularisation Lasso et son application au jeu de données MNIST. L'instructeur explique le processus de redimensionnement des valeurs de pixels, de remodelage des images et de réétiquetage des données pour convertir un problème de classification multi-classes en un problème binaire. L'importance de comprendre les caractéristiques des ensembles de données, de diviser les données en trains, en validations et en ensembles de tests, ainsi que l'utilisation des pandas pour enregistrer les résultats sont soulignées. La séance de cours explore également les différences entre la régularisation L1 et L2, montrant comment Lasso effectue la sélection des fonctionnalités en poussant les fonctionnalités non pertinentes à zéro. Des exercices pratiques sur la mise en œuvre de la descente en pente et de la régularisation du Lasso sont assignés aux étudiants.