Séance de cours
Apprentissage supervisé : Algorithmes de classification
Séances de cours associées (134)
Algorithmes de classification: approches génératives et discriminatoires
Explore les algorithmes de classification génératifs et discriminatifs, en mettant l'accent sur leurs applications et leurs différences dans les tâches d'apprentissage automatique.
Apprentissage supervisé : arbre k-NN et arbre de décision
Introduit l'apprentissage supervisé avec k-NN et les arbres de décision, couvrant les techniques, les exemples et les méthodes d'ensemble.
Régression logistique
Couvre la régression logistique pour la classification linéaire et les techniques de réduction de dimensionnalité non supervisées.
Perception : Défis de classification des images
Couvre les défis de classification d'images, les concepts d'apprentissage automatique, la régression linéaire et l'approche voisine la plus proche dans les véhicules autonomes.
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.
Overfitting dans l'apprentissage supervisé: études de cas et techniques
Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.
Régression logistique : classification
Couvre l'apprentissage supervisé, la classification à l'aide de la régression logistique et les défis de l'optimisation.
Règle discriminatoire gaussienne : Classification et limites
Explore la règle discriminatoire gaussienne pour la classification à l'aide de modèles de mélange gaussien et discute des limites de dessin et de la complexité du modèle.
Méthodes de l'ensemble : Forêts aléatoires
Couvre les méthodes d'ensemble comme les forêts aléatoires et les baies de Naive de Gaussian, expliquant comment elles améliorent la précision de prédiction et estimer les distributions gaussiennes conditionnelles.
Introduction à l'apprentissage automatique
Couvre les bases de l'apprentissage automatique, y compris la reconnaissance des chiffres manuscrits, la classification supervisée, les limites de décision et l'ajustement des courbes polynômes.