Séance de cours
Les bases du machine learning : l’apprentissage supervisé
Séances de cours associées (61)
Régression linéaire et régression logistique
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.
Apprentissage supervisé : Maximisation des probabilités
Couvre l'apprentissage supervisé par la maximisation de la probabilité pour trouver les paramètres optimaux.
Arbres de décision: Classification
Introduit des arbres de décision pour la classification, couvrant l'entropie, la qualité fractionnée, l'indice Gini, les avantages, les inconvénients, et le classificateur forestier aléatoire.
Validation et méthode k-Nearest Neighbors
Introduit des concepts d'apprentissage supervisé et la méthode k-Nearest Neighbors pour les tâches de classification et de régression.
Arbres de décision : régression et classification
Couvre les arbres de décision pour la régression et la classification, expliquant la construction des arbres, la sélection des caractéristiques et les critères d'induction.
Classificateurs voisins les plus près et malédiction de dimensionnalité
Explore les classificateurs voisins les plus proches, le compromis entre les biais, la malédiction de la dimensionnalité et les limites de généralisation dans l'apprentissage automatique supervisé.
Méthodes de l'ensemble : Forêts aléatoires
Couvre les méthodes d'ensemble comme les forêts aléatoires et les baies de Naive de Gaussian, expliquant comment elles améliorent la précision de prédiction et estimer les distributions gaussiennes conditionnelles.
Arbres de décision et forêts aléatoires: concepts et applications
Discute des arbres de décision et des forêts aléatoires, en se concentrant sur leur structure, leur optimisation et leur application dans les tâches de régression et de classification.
Bias-Variance Echanges dans l'apprentissage automatique
Explore le compromis entre le biais et la variation dans l'apprentissage automatique, en mettant l'accent sur l'équilibre entre le biais et la variance dans les prédictions du modèle.
Classifications structurées: Arbres de décision et renforcement
Explore les arbres de décision, l'élimination excessive, les techniques stimulantes et leurs applications pratiques dans la modélisation prédictive.