Classification linéaire : Paramétrage des lignes et calcul de distance

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (31)

Page 2 sur 4

Apprentissage supervisé : Espace image et étiquetage

Couvre l'apprentissage supervisé, les problèmes de classification binaire et multi-classes, et fait des prédictions à partir d'exemples étiquetés.

Fonction de coût de classification binaire

Explique la fonction de coût 0/1 pour la classification binaire et son impact sur la minimisation des erreurs de prédiction.

Gradient Descent: MNIST Dataset et perte logistique

Se concentre sur la mise en œuvre de la descente de gradient avec l'ensemble de données MNIST et la perte logistique dans l'apprentissage automatique.

Réseaux neuronaux : bases et applications

Explore les bases des réseaux neuraux, le problème XOR, la classification et les applications pratiques comme la prévision des données météorologiques.

Deep Learning : Perceptron multicouche et formation

Couvre les fondamentaux de l'apprentissage profond, en se concentrant sur les perceptrons multicouches et leurs processus de formation.

Réseaux neuronaux : régression et classification

Explore les réseaux neuronaux pour les tâches de régression et de classification, couvrant la formation, la régularisation et des exemples pratiques.

MLPs: Perceptrons multi-couches

Introduit des perceptrons multicouches (MLP) et couvre la régression logistique, la reformulation, la descente de gradient, AdaBoost et les applications pratiques.

Classement: Arbres de décision et kNN

Introduit des arbres de décision et des voisins k-nearest pour les tâches de classification, explorant des mesures comme la précision et l'ASC.

Classification binaire

Explique comment trouver le meilleur hyperplan pour séparer deux classes.

Réseaux neuronaux : Algorithme du modèle Perceptron et de la rétropropagation

Couvre le modèle perceptron et l'algorithme de rétropropagation dans les réseaux neuronaux.