Expansion des fonctionnalités et des amandes

Cette séance de cours couvre les concepts d'expansion des fonctionnalités et les noyaux dans l'apprentissage automatique. Il commence par une récapitulation des modèles linéaires, de la marge et du classificateur de marge maximal. Ensuite, il se transforme en machines vectorielles de soutien (SVM), en classes recoupantes et en variables de relâchement. La séance de cours explique les différences entre la classification des moindres carrés, la régression logistique et le SVM. Il introduit le concept d'expansion des caractéristiques polynômes et son application dans la classification non linéaire. La séance de cours traite également de la malédiction de la dimensionnalité, des méthodes voisines les plus proches, et des voisins k-nearest pour la classification et la régression. Il se termine par les fonctions du noyau, le tour du noyau, la régression du noyau et le SVM du noyau pour la classification.