Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur Graph Search.
Cette séance de cours couvre la régression linéaire probabiliste, en se concentrant sur l'estimation maximale de vraisemblance et l'estimation maximale d'un posteriori. Il passe ensuite à la régression du processus gaussien, expliquant la définition du noyau, l'accord des hyperparamètres et la prédiction à partir des données. L'instructeur souligne l'importance de choisir le bon noyau et les bons hyperparamètres pour des prédictions précises et discute du compromis entre l'ajustement et la complexité. La séance de cours conclut en soulignant les avantages de la régression du processus gaussien, tels que des prédictions précises et une estimation de l'incertitude, tout en reconnaissant sa complexité informatique.