Perceptron: Partie 2

Cette séance de cours couvre l'algorithme Perceptron, l'une des premières solutions itératives pour les problèmes de classification binaire. Il traite de la séparabilité linéaire, des propriétés de convergence et des limites de l'algorithme. La séance de cours introduit également l'algorithme Pocket Perceptron, qui améliore le comportement de Perceptron pour les données non linéairement séparables en gardant une trace du meilleur poids itéré. Des exemples utilisant des données sur les maladies cardiaques démontrent l'application de Perceptron et de Pocket Perceptron, montrant des taux d'erreurs empiriques pour les vecteurs de caractéristiques réduits et entièrement dimensionnels.

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.

Séances de cours associées (38)

Concepts associés (33)

In this course, students learn to design and master algorithms and core concepts related to inference and learning from data and the foundations of adaptation and learning theories with applications.

Perceptron

Le perceptron est un algorithme d'apprentissage supervisé de classifieurs binaires (c'est-à-dire séparant deux classes). Il a été inventé en 1957 par Frank Rosenblatt au laboratoire d'aéronautique de l'université Cornell. Il s'agit d'un neurone formel muni d'une règle d'apprentissage qui permet de déterminer automatiquement les poids synaptiques de manière à séparer un problème d'apprentissage supervisé. Si le problème est linéairement séparable, un théorème assure que la règle du perceptron permet de trouver une séparatrice entre les deux classes.

Outil

thumb|Une boîte à outils en bois des années 1950. Un outil est un objet physique utilisé par un être vivant directement, ou par l'intermédiaire d'une machine, afin d'exercer une action le plus souvent mécanique, ou thermique, sur un élément d'environnement à traiter (matière brute, objet fini ou semi-fini, être vivant, etc). Il améliore l'efficacité des actions entreprises ou donne accès à des actions impossibles autrement. Beaucoup procurent un avantage mécanique en fonctionnant selon le principe d'une machine simple, comme la pince-monseigneur, qui exploite le principe du levier.

Liste des outils de jardinage

vignette|Représentation de plusieurs outils La pratique du jardinage repose sur des savoir-faire et des outils. Utiliser le bon outil pour la bonne tâche. On peut différencier les outils selon leur utilisation : préparation des sols avant plantation ou semis : par exemple motoculteur, fourche, bêche. préparation et entretien des sols déjà plantés ou semés, par exemple : tondeuse à gazon, arrosoir. outils d'élagage, coupe ou suppression : par exemple : tronçonneuse, scie, sécateur, taille-haie.

Outil à main

Un outil à main est un outil qui est actionné à la main plutôt qu' à l'aide d'un moteur. Catégories d'outils à main comprennent des clés, pinces, cutter, outils de frappe, ciseaux, tournevis, étaux, serre-joint, cisailles, scies, perceuses et couteaux. Les outils d'extérieur tels que les fourches, les sécateurs et les râteaux sont aussi des outils à main. Les outils électroportatifs ne sont pas considérés comme des outils à main. Les outils à main sont utilisés par les humains depuis l'âge de pierre, où les pierres étaient utilisées pour couper et frapper.

Power tool

A power tool is a tool that is actuated by an additional power source and mechanism other than the solely manual labor used with hand tools. The most common types of power tools use electric motors. Internal combustion engines and compressed air are also commonly used. Tools directly driven by animal power are not generally considered power tools. Power tools are used in industry, in construction, in the garden, for housework tasks such as cooking, cleaning, and around the house for purposes of driving (fasteners), drilling, cutting, shaping, sanding, grinding, routing, polishing, painting, heating and more.

Méthodes de noyau: Surfaces de séparation non linéaires EE-566: Adaptation and learning

Explore les méthodes du noyau pour les surfaces de séparation non linéaires à l'aide de noyaux polynômes et gaussiens dans les algorithmes Perceptron et SVM.

Analyse des documents : Modélisation des sujets DH-406: Machine learning for DH

Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.

Introduction à la science des données ENG-209: Data science for engineers with Python

Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.

Fondements de l'apprentissage automatique DH-406: Machine learning for DH

Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.

Machines vectorielles de soutien: SVM Basics EE-566: Adaptation and learning

Couvre les bases de Support Vector Machines, en se concentrant sur les formulations de marge dure et de marge molle.