Séance de cours
Apprentissage supervisé dans la tarification des actifs
Séances de cours associées (132)
Régression linéaire généralisée
Explore la régression linéaire généralisée, la régression logistique et la classification multiclasses dans l'apprentissage automatique.
Overfitting dans l'apprentissage supervisé: études de cas et techniques
Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.
Analyse discriminante linéaire: Méthodes génériques
Couvre l'analyse discriminante linéaire (ALD) comme méthode génératrice de classement.
Arbres de décision: Induction et attributs
Explore les arbres de décision, la sélection des attributs, le compromis biais-variance et les méthodes d'ensemble dans l'apprentissage automatique.
Mathématiques des données : modèles et apprentissage
Explore les modèles, les paradigmes d'apprentissage et les applications en mathématiques des données.
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.
Bases d'apprentissage automatique : Apprentissage supervisé et non supervisé
Couvre les bases de l'apprentissage automatique, l'apprentissage supervisé et non supervisé, diverses techniques comme les voisins k-nearest et les arbres de décision, et les défis de l'ajustement excessif.
Arbres de régression et méthodes d'ensemble dans l'apprentissage automatique
Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.
Apprentissage supervisé : arbre k-NN et arbre de décision
Introduit l'apprentissage supervisé avec k-NN et les arbres de décision, couvrant les techniques, les exemples et les méthodes d'ensemble.
Algorithmes de classification: approches génératives et discriminatoires
Explore les algorithmes de classification génératifs et discriminatifs, en mettant l'accent sur leurs applications et leurs différences dans les tâches d'apprentissage automatique.