Séance de cours
Validation croisée : Techniques et applications
Dans cours
DEMO: adipisicing eiusmod laborum
Nostrud sint eiusmod nulla consectetur laboris do proident commodo quis proident. Id id aliqua non sint veniam cupidatat cillum reprehenderit ut dolore consequat magna. Non duis elit elit sint est excepteur aliquip esse commodo qui enim velit.
Description
Cette séance de cours couvre le concept de validation croisée, y compris la validation croisée du facteur k et les méthodes de sortie unique. Il explique comment la validation croisée aide à la sélection des modèles et au réglage hyperparamétrique. La séance de cours discute également de l'adéquation excessive avec les modèles linéaires, les techniques de régularisation, et leur application dans la régression linéaire et la régression logistique. De plus, il explore la régression des crêtes multi-sorties, la régression des crêtes du noyau et l'incorporation de la régularisation dans les machines vectorielles de soutien. Des exemples pratiques et des exercices sont fournis pour renforcer les concepts théoriques.
Enseignant
excepteur excepteur cupidatat
Reprehenderit sint proident esse exercitation do. Occaecat aute aute nostrud aliqua aute sunt culpa. Ut qui et eu est laboris sunt pariatur nulla irure minim culpa exercitation. Ex elit nulla voluptate laboris dolor amet mollit Lorem id. Nostrud et nulla exercitation commodo adipisicing aute id officia tempor sit irure adipisicing aliqua.
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 (83)
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
Fondements de l'apprentissage automatique : régularisation et validation croisée
Explore le surajustement, la régularisation et la validation croisée dans l'apprentissage automatique, soulignant l'importance de l'expansion des fonctionnalités et des méthodes du noyau.
Analyse des documents : Modélisation des sujets
Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.
Algorithmes ML non linéaires
Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.
Introduction à l'apprentissage automatique : apprentissage supervisé
Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.