Séance de cours
Modèles de mélange gaussien: Exercices
Description
Cette séance de cours couvre les exercices liés aux modèles de mélange gaussien (GMM) dans le contexte de l'Applied Machine Learning. Les exercices portent sur la distribution conditionnelle des probabilités, les distributions marginales, la visualisation des ensembles de données et l'indépendance statistique. Les élèves analyseront différents ensembles de données, calculeront les marginaux et détermineront l'indépendance et la corrélation entre les variables aléatoires.
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 (31)
Probabilité et statistiques
Couvre p-quantile, approximation normale, distributions articulaires et familles exponentielles en probabilité et en statistiques.
Théorie de la probabilité : Solutions à moyen terme
Couvre les solutions à l'examen à mi-parcours d'un cours de théorie des probabilités, y compris le calcul des probabilités et des attentes.
Inférence bayésienne : Variables gaussiennes
Explore l'inférence bayésienne pour les variables aléatoires gaussiennes, couvrant la distribution articulaire, les pdf marginaux et le classificateur Bayes.
Apprentissage sans supervision: PCA & K-means
Couvre l'apprentissage non supervisé avec l'APC et les moyennes K pour la réduction de dimensionnalité et le regroupement des données.
Régression linéaire probabiliste
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.