Couvre l'apprentissage supervisé, la classification, la régression, les limites de décision, le surajustement, Perceptron, SVM et la régression logistique.

Introduction à l'apprentissage automatique: modèles linéaires

Introduit des modèles linéaires pour l'apprentissage supervisé, couvrant le suréquipement, la régularisation et les noyaux, avec des applications dans les tâches d'apprentissage automatique.

Méthodes du noyau dans l'apprentissage automatique: régression du noyau et SVM

Discute des méthodes du noyau dans l'apprentissage automatique, en se concentrant sur la régression du noyau et les machines vectorielles de support, y compris leurs formulations et applications.

Machine Learning non linéaire : les voisins les plus proches et l’expansion des fonctionnalités

Couvre la transition des modèles linéaires aux modèles non linéaires, en se concentrant sur k-NN et les techniques d'expansion des caractéristiques.

Expansion des fonctionnalités et méthodes Kernel

Explore l'expansion des fonctionnalités, les méthodes du noyau, la SVM et la classification non linéaire dans l'apprentissage automatique.

Sélection de fonctionnalités, Régression du noyau, Terrain de jeu des réseaux neuronaux

Couvre la sélection des fonctionnalités, la régression du noyau et les réseaux neuronaux à travers des exercices.

Régression non paramétrique : estimation basée sur le noyau

Couvre la régression non paramétrique à l'aide de techniques d'estimation basées sur le noyau pour modéliser des relations complexes entre les variables.