Séance de cours
Apprentissage non supervisé : réduction de la dimensionnalité et regroupement
Séances de cours associées (104)
Analyse des composantes principales : réduction des dimensions
Couvre l'analyse en composantes principales pour la réduction dimensionnelle des données biologiques, en se concentrant sur la visualisation et l'identification des modèles.
Aperçu de l'apprentissage supervisé
Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.
PCA: Directions de la plus grande variance
Couvre l'APC, trouvant les directions de la plus grande variance, la réduction de dimensionnalité des données et les limites de l'APC.
Prévision de retour des stocks
Couvre les défis et les techniques de prévision du rendement des stocks à l'aide d'un apprentissage supervisé.
Prédire les précipitations: Miniprojet BIO-322
Introduit un mini-projet où les étudiants prédisent les précipitations à Pully en utilisant l'apprentissage automatique, en mettant l'accent sur la reproductibilité et la qualité du code.
Groupement de comportements non supervisés
Explore les techniques de regroupement de comportement et de réduction de dimensionnalité non supervisées, couvrant des algorithmes comme K-Means, DBSCAN et Gaussian Mixture Model.
Analyse des données textuelles: réduction de la classification et de la dimensionnalité
Explore la classification des données textuelles, en se concentrant sur des méthodes telles que les bayes naïques et les techniques de réduction de la dimensionnalité telles que l'analyse des composantes principales.
Apprentissage sans supervision : méthodes de regroupement
Couvre l'apprentissage non supervisé axé sur les méthodes de regroupement et les défis rencontrés dans les algorithmes de regroupement comme K-means et DBSCAN.
Réduction dimensionnelle
Introduit des réseaux de neurones artificiels et explore diverses techniques de réduction de la dimensionnalité telles que PCA, LDA, Kernel PCA et t-SNE.
Analyse des composantes principales : réduction de la dimensionnalité
Explorer l'analyse des composantes principales pour la réduction de dimensionnalité et la sélection de fonctionnalités non supervisées.