Séance de cours
Prévoir de nouveaux cycles de vie de produits : approche d'apprentissage automatique
Description
Cette séance de cours porte sur l'application de l'apprentissage automatique à la prévision des nouveaux cycles de vie des produits, en mettant l'accent sur des défis comme l'absence de données historiques. Diverses méthodes, y compris les approches qualitatives et quantitatives, le regroupement et la prévision à l'aide de différents algorithmes ML, sont discutées. L'instructeur souligne l'importance de l'analyse des données et de la comparaison entre les techniques traditionnelles et les techniques avancées pour des prévisions précises.
Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.
Regarder sur MediaspaceEnseignant
labore magna
Ullamco quis aliqua mollit laboris nisi elit dolor ex aute ex magna. Laborum do occaecat pariatur reprehenderit in sit voluptate. Duis nulla eu exercitation ad quis labore eu non cillum adipisicing. Excepteur pariatur do nulla deserunt do sunt deserunt nulla occaecat non. Nisi minim labore minim reprehenderit sint.
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 (33)
Groupement : moyenne en k
Explique le regroupement des moyennes k, en attribuant des points de données à des grappes en fonction de la proximité et en minimisant les distances carrées à l'intérieur des grappes.
Apprentissage sans supervision : regroupement et réduction de dimensionnalité
Introduit l'apprentissage non supervisé en cluster avec les moyennes K et la réduction de dimensionnalité à l'aide de PCA, ainsi que des exemples pratiques.
Méthodes de regroupement
Couvre les méthodes de regroupement des moyennes K, hiérarchiques et DBSCAN avec des exemples pratiques.
Clustering: Théorie et pratique
Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.
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.