Séance de cours

Régression du noyau : K-nearest Neighbors

Dans cours

Qui minim Lorem aliquip incididunt. Elit proident voluptate incididunt ex consectetur aliqua incididunt minim eiusmod exercitation. Lorem magna irure enim sint tempor aliqua ex qui ipsum laboris est in cillum. Et est proident cillum anim laboris laborum adipisicing exercitation consequat Lorem. Exercitation veniam cillum reprehenderit cillum nostrud ullamco excepteur dolore ut excepteur incididunt irure quis do. Fugiat eiusmod sunt anim sit sint. Consectetur culpa minim amet elit do non laboris aliquip.

Description

Cette séance de cours couvre le concept de régression du noyau, en se concentrant sur les voisins les plus proches de K et l'utilisation des noyaux pour rendre les données linéairement séparables en ajoutant des fonctionnalités. Il explique le processus étape par étape, des bases de K-voisins les plus proches à l'application de différents noyaux pour la régression et la classification.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant

incididunt aute ex deserunt

Tempor dolore eiusmod elit do. Est dolor velit nostrud reprehenderit proident aliquip anim pariatur aliqua dolor. Nostrud laboris eiusmod eu mollit do ullamco mollit ullamco anim officia quis id. Commodo deserunt ex cillum do irure labore. Veniam voluptate nulla officia aliqua incididunt consequat non reprehenderit sunt aliqua magna eiusmod. Velit dolor aliquip culpa pariatur tempor nulla anim ex aliqua voluptate. Esse sunt eu duis non cupidatat ea laboris sit cupidatat dolor sunt aliquip ea.

Source officielle

https://mediaspace.epfl.ch/media/0_akf7zlmg

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.

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Inférence statistique: Statistiques non paramétriques

Mathématiques

Analyse (mathématiques): Tenseur

Algèbre: Algèbre linéaire

Séances de cours associées (54)

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Connectez-vous pour utiliser Chat avec Graph Search