Séance de cours
Apprentissage supervisé : Espace image et étiquetage
Dans cours
DEMO: sit ea exercitation
Cupidatat ad magna dolore laboris magna. Irure do ea commodo exercitation reprehenderit et labore sint id aute qui nostrud. Laborum est enim cillum do minim proident ipsum mollit magna consectetur mollit pariatur nisi duis. Pariatur cupidatat ex ut nostrud ex. Aute nulla exercitation consequat sint sint excepteur veniam amet officia laborum do. Elit reprehenderit eu voluptate consectetur pariatur amet ullamco quis laborum commodo irure. Aute eiusmod non labore veniam adipisicing nostrud ea laborum cupidatat laborum.
Description
Cette séance de cours présente l'apprentissage supervisé, où les données de formation sont étiquetées, et couvre des sujets tels que les problèmes de classification binaire et multi-classes. Linstructeur explique comment déterminer un modèle à partir dexemples étiquetés et faire des prédictions en utilisant le modèle entraîné.
Enseignant
culpa deserunt officia
Eu eiusmod consequat ut adipisicing proident ullamco ipsum minim excepteur aliqua in. Labore laboris ea anim irure nulla est magna duis excepteur ullamco consequat. Reprehenderit officia laborum dolore nisi sunt aliquip non ad ut deserunt mollit.
Source officielle
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 (34)
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.
Fonction de coût de classification binaire
Explique la fonction de coût 0/1 pour la classification binaire et son impact sur la minimisation des erreurs de prédiction.
Régression logistique : interprétation et ingénierie des caractéristiques
Couvre la régression logistique, l'interprétation probabiliste et les techniques d'ingénierie des caractéristiques.
Apprentissage automatique pour les physiciens et les chimistes : Classification de l'image
Couvre les fondamentaux de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur les tâches de classification d'images à l'aide de l'intelligence artificielle.
Régression linéaire généralisée : classification
Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.