Séance de cours
Soutenez des machines de vecteur : définition et hyperplan de séparation
Séances de cours associées (31)
Méthodes de noyau: Réseaux neuronaux
Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.
Expansion des fonctionnalités et des amandes
Couvre l'expansion des fonctionnalités, les noyaux, SVM, et la classification non linéaire dans l'apprentissage automatique.
Soutenez des machines de vecteur : Maximiser la marge
Explore les machines vectorielles de support, maximisant la marge pour une classification robuste et la transition vers la SVM logicielle pour les données séparables non linéairement.
Support Vecteurs Machines: Théorie et Applications
Explore Support Vector Machines théorie, paramètres, unicité, et des applications dans l'apprentissage de la machine.
Régression du noyau : Moyenne pondérée et cartes des caractéristiques
Couvre la régression du noyau et les cartes de caractéristiques pour la séparabilité des données.
Méthodes du noyau : SVM et régression
Introduit des méthodes de noyau telles que SVM et régression, couvrant des concepts tels que la marge, la machine vectorielle de support, la malédiction de la dimensionnalité et la régression de processus gaussien.
Soutenez des machines de vecteur
Introduit des machines vectorielles de support, couvrant la perte de charnière, la séparation hyperplane et la classification non linéaire à l'aide de noyaux.
Modèles linéaires: Bases de classification
Explore des modèles linéaires pour la classification, la régression logistique, SVM, k-NN, et la malédiction de dimensionnalité.
Soutenez la machine de vecteur : Formulation primaire avec la marge dure
Couvre la machine de vecteur de support avec une formulation de marge dure et l'importance de maximiser la marge entre les classes.
Analyse des documents : Modélisation des sujets
Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.