Séance de cours
Régression logistique : Fondements et applications
Séances de cours associées (428)
Introduction à l'apprentissage automatique : apprentissage supervisé
Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.
L'essentiel de la science des données : Python, Numpy, Pandas et Scikit-learn
Couvre l'essentiel de Data Science en utilisant Python, Numpy, Pandas et Scikit-learn, y compris l'analyse et la classification des séquences d'ADN.
Introduction à LabVIEW
Couvre les bases de LabVIEW, y compris son importance, son historique, ses fonctions et les outils disponibles.
Modèles Vision-Langue-Action : Formation et applications
Se penche sur la formation et les applications des modèles Vision-Language-Action, en mettant l'accent sur le rôle des grands modèles linguistiques dans le contrôle robotique et le transfert des connaissances web. Les résultats des expériences et les orientations futures de la recherche sont mis en évidence.
Modèles de régression : rendement et évaluation
Explore les performances du modèle de régression, les erreurs d'apprentissage et la construction d'arbres de régression à l'aide de l'algorithme CART.
Réservoirs et barrages : construction et dimensionnement hydrauliques
Explore le dimensionnement des réservoirs et des barrages en utilisant des courbes d'écoulement cumulatives et le dimensionnement des réservoirs pour les périodes sèches et pluvieuses.
Modèles de signaux paramétriques : Matlab Practice
Couvre les modèles de signaux paramétriques et les applications Matlab pratiques pour les chaînes de Markov et les processus AutoRegressive.
Régression logistique : Interprétation probabiliste
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
Méthodes d'estimation spectrale
Explore les méthodes d'estimation du spectre paramétrique, y compris les spectres linéaires et lisses, et se penche sur l'analyse de la variabilité de la fréquence cardiaque.
Modèles linéaires: Bases
Introduit des modèles linéaires dans l'apprentissage automatique, couvrant les bases, les modèles paramétriques, la régression multi-sorties et les mesures d'évaluation.