Séance de cours

Bases d'apprentissage automatique : Apprentissage supervisé et non supervisé

Description

Cette séance de cours présente les bases de l'apprentissage automatique, en mettant l'accent sur l'apprentissage supervisé et non supervisé. Il couvre le rôle de l'apprentissage automatique dans la science des données, les étapes du cycle d'analyse des données et diverses techniques d'apprentissage automatique telles que les voisins k-nearest, les arbres de décision et les forêts aléatoires. La séance de cours se penche également sur les concepts de biais et de variance, l'algorithme des voisins k-nearest, la sélection des attributs dans les arbres de décision, et les méthodes d'ensemble comme les forêts aléatoires et les arbres de décision stimulés. De plus, il traite de la régression linéaire, de la régression logistique et des défis liés à l'adaptation excessive des modèles d'apprentissage automatique.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.