Séance de cours
Régression différentielle: LWPR
Séances de cours associées (33)
Méthodes de noyau: Machine Learning
Explore les méthodes du noyau dans l'apprentissage automatique, en mettant l'accent sur leur application dans les tâches de régression et la prévention du surajustement.
Réseaux neuronaux : apprentissage multicouche
Couvre les fondamentaux des réseaux neuronaux multicouches et de l'apprentissage profond, y compris la propagation arrière et les architectures réseau comme LeNet, AlexNet et VGG-16.
Réseaux de neurones: caractéristiques aléatoires et régression du noyau
Explore les caractéristiques aléatoires dans les réseaux neuronaux et la régression du noyau en utilisant la descente de gradient stochastique.
Kernel K-means: Apprentissage automatique avancé
Présente Kernel K-moyens, étendant K-moyens pour créer des séparations non linéaires de points de données.
Sélection de fonctionnalités, Régression du noyau, Terrain de jeu des réseaux neuronaux
Couvre la sélection des fonctionnalités, la régression du noyau et les réseaux neuronaux à travers des exercices.
Apprentissage supervisé : classification et régression
Couvre l'apprentissage supervisé, la classification, la régression, les limites de décision, le surajustement, Perceptron, SVM et la régression logistique.
Paysage et généralisation dans l'apprentissage profond
Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.
Deep Learning: Représentations de données et réseaux neuraux
Couvre les représentations de données, le sac de mots, les histogrammes, le prétraitement des données et les réseaux neuronaux.
Extensions de machines vectorielles de soutien: SVM, RVM, SVM transductrice
Explore les extensions SVM, RVM, Transductive SVM et soutient le cluster vectoriel dans l'apprentissage machine avancé.
Introduction à l'apprentissage automatique: modèles linéaires
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.