Discretisation : méthodes et techniques

À propos
Confidentialité
Mentions légales

Graph Chatbot

Dans cours

DEMO: irure sunt eiusmod sunt

Anim laboris ipsum amet consectetur ipsum mollit deserunt laborum exercitation nulla irure amet. Velit occaecat excepteur cupidatat officia quis ullamco eu nostrud excepteur aliqua proident incididunt. Labore irure est tempor do elit aliquip consequat tempor.

Description

Cette séance de cours couvre le concept de discrétisation, qui consiste à convertir des données continues en forme discrète. L'instructeur explique les méthodes de discrétisation non supervisées et supervisées, telles que la largeur égale, la fréquence égale et le regroupement. La séance de cours se penche également sur l'application des statistiques x2 pour les tests d'indépendance en discrétisation supervisée.

Enseignant

sit irure laboris magna

Ad proident adipisicing adipisicing consequat labore cillum laborum amet duis labore Lorem anim. Sit eu adipisicing aute nisi nostrud eiusmod et sint. Dolor consectetur elit sint tempor ad mollit mollit.

Source officielle

Séances de cours associées (32)

https://mediaspace.epfl.ch/media/0_7yfxbt91

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.

Dans cours

DEMO: irure sunt eiusmod sunt

Enseignant

sit irure laboris magna

Séances de cours associées (32)

Afficher plus

Apprentissage sans supervision : regroupement

Explore l'apprentissage non supervisé par des techniques de regroupement, des algorithmes, des applications et des défis dans divers domaines.

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.

Introduction à la classification des images

Couvre la classification des images, le clustering et les techniques d'apprentissage automatique telles que la réduction de la dimensionnalité et l'apprentissage par renforcement.

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.

Classification : Introduction

Couvre le clustering et la classification, la construction de modèles pour affecter des objets à des classes basées sur des valeurs d'attributs.