Séance de cours
Kernel Methods: Calcul efficace du produit
Séances de cours associées (36)
Méthodes de noyau: Réseaux neuronaux
Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.
Régression du noyau : Moyenne pondérée et cartes des caractéristiques
Couvre la régression du noyau et les cartes de caractéristiques pour la séparabilité des données.
Régression du noyau
Couvre le concept de régression du noyau et rend les données linéairement séparables en ajoutant des fonctionnalités et en utilisant des méthodes locales.
Extension de la fonctionnalité: Amandes et KNN
Les couvertures comportent l'expansion, les noyaux et les voisins K-nearest, y compris la non-linéarité, SVM, et les noyaux gaussiens.
Paysage et généralisation dans l'apprentissage profond
Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.
Régression du noyau : bases et applications
Explore la régression du noyau, la malédiction de la dimensionnalité et les caractéristiques aléatoires des réseaux neuronaux.
Méthodes de noyau: Machine Learning
Couvre les méthodes du noyau dans l'apprentissage automatique, en se concentrant sur le surajustement, la sélection du modèle, la validation croisée, la régularisation, les fonctions du noyau et la SVM.
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.
Méthodes de noyau: Machine Learning
Explore les méthodes du noyau dans l'apprentissage automatique, en mettant l'accent sur leur application dans les tâches de régression et la prévention du surajustement.
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.