Introduction à l'apprentissage automatique

Cette séance de cours de l'instructeur couvre les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé par rapport à l'apprentissage non supervisé, la régression par rapport à la classification, et la traduction des problèmes du monde réel en tâches d'apprentissage automatique. Il se penche sur la définition des ingrédients ML, le rôle de l'expérience, la tâche et la performance, et l'importance de la généralisation. La séance de cours explore également l'algorithme K-Nearest Neighbors (KNN), en discutant de sa mise en œuvre, des hyperparamètres et des avantages / inconvénients. À travers des exemples tels que Palmer Penguins et des maisons à Portland, la séance de cours illustre comment appliquer les concepts de ML à différents ensembles de données, en soulignant l'importance de l'échelle des fonctionnalités et de l'évaluation des modèles.