Séance de cours
Modèles linéaires: Bases
Dans cours
DEMO: laborum duis laboris excepteur
Veniam velit nulla pariatur cupidatat enim. Occaecat quis non adipisicing eu nulla. Aute fugiat do ullamco ullamco cupidatat fugiat mollit consequat non fugiat duis proident ullamco.
Description
Cette séance de cours couvre les fondamentaux des modèles linéaires dans l'apprentissage automatique, en commençant par une récapitulation des données et des idées. Il se décline ensuite en modèles paramétriques simples comme des lignes et des plans, expliquant comment ils sont définis et utilisés dans la régression linéaire. La séance de cours explore également la régression linéaire multi-sorties, en discutant de la façon de prédire plusieurs valeurs à l'aide de matrices. De plus, il introduit le concept de limites de décision et évalue la performance des modèles linéaires à l'aide de mesures comme l'erreur carrée moyenne, la précision, le rappel et les courbes ROC. L'instructeur de cette séance de cours est Mathieu Salzmann.
Enseignant
reprehenderit occaecat ut enim
Ut exercitation duis esse pariatur. Commodo mollit aliqua occaecat eiusmod labore deserunt ea excepteur. Laborum nisi velit anim cupidatat aute mollit consequat sunt magna eiusmod enim. Anim consectetur sunt aute consectetur. Labore sunt aute ad exercitation. Qui sit commodo dolor nulla esse culpa duis tempor sit nostrud.
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 (228)
Régression linéaire : Fondements
Couvre les bases de la régression linéaire, de la classification binaire et multiclasse, et des mesures d'évaluation.
Modèles linéaires: Partie 1
Couvre les modèles linéaires, y compris la régression, les dérivés, les gradients, les hyperplans et la transition de classification, en mettant laccent sur la minimisation des risques et des mesures dévaluation.
Régression logistique : prédiction de la végétation
Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.
Comprendre les attributs de données
Couvre l'analyse de divers attributs de données et modèles de régression linéaire.
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.