Séance de cours
Introduction à l'apprentissage supervisé: classification et perceptrons
Dans cours
DEMO: consequat irure duis nostrud
Sit cillum commodo anim id pariatur amet sunt nostrud aute ea culpa. Consectetur nulla ex reprehenderit minim elit minim enim quis ad nostrud fugiat labore. Adipisicing occaecat commodo est anim irure mollit proident tempor sit reprehenderit et in.
Description
Cette séance de cours introduit l'apprentissage supervisé, en mettant l'accent sur la classification en tant que problème géométrique. L'instructeur explique comment les vecteurs d'entrée sont transformés par les classificateurs, tels que les réseaux neuronaux, pour produire des sorties binaires. La séance de cours met l'accent sur le processus de conversion des images en vecteurs et le concept de trouver une surface de séparation dans l'espace d'entrée de haute dimension pour les tâches de classification. L'instructeur discute également des fonctions discriminantes et des problèmes séparables linéairement.
Enseignant
sunt id
Elit ipsum anim ut pariatur ex laboris ut. Ea sint laborum esse proident fugiat commodo aute adipisicing proident. Do aliquip incididunt fugiat incididunt nulla. Deserunt commodo irure ea non anim ullamco irure ullamco cillum.
Source officielle
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.
Proximité ontologique
Séances de cours associées (39)
Analyse des documents : Modélisation des sujets
Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.
Méthodes de noyau: Réseaux neuronaux
Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.
Ingénierie des fonctionnalités : données manquantes et normalisation
Couvre les techniques de gestion des données manquantes et de normalisation des fonctionnalités, ainsi que la transformation des données d'entrée et de sortie.
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.
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.