Introduit des modèles linéaires pour l'apprentissage supervisé, couvrant le suréquipement, la régularisation et les noyaux, avec des applications dans les tâches d'apprentissage automatique.
Explorer l'analyse des composantes principales pour la réduction des dimensions des ensembles de données et ses implications pour les algorithmes d'apprentissage supervisés.
Couvre les concepts clés de l'APC, y compris la réduction de la dimensionnalité des données et des fonctions d'extraction, avec des exercices pratiques.
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Explore l'analyse des composants principaux pour la réduction de la dimensionnalité dans l'apprentissage automatique, en présentant ses capacités d'extraction de fonctionnalités et de prétraitement de données.
