Séance de cours
Introduction à l'apprentissage automatique: modèles linéaires
Dans cours
DEMO: ex amet
Sit duis tempor ullamco sunt ex anim. Non cillum cillum occaecat commodo labore occaecat. Deserunt cillum aute amet esse. Fugiat commodo ipsum laborum labore.
Description
Cette séance de cours couvre les bases de l'apprentissage supervisé, en se concentrant sur des modèles linéaires tels que la régression linéaire et la classification linéaire. Il explique les concepts de surajustement, de régularisation et d'utilisation des noyaux pour traiter les données non linéaires. L'instructeur discute de l'application des modèles linéaires dans les tâches d'apprentissage automatique et introduit les concepts de k-voisins les plus proches, d'analyse en composantes principales (PCA) et d'analyse discriminante linéaire de Fisher (LDA) pour la réduction et la classification de la dimensionnalité.
Enseignant
elit ut minim
Anim incididunt cillum aliqua eu est deserunt velit adipisicing irure laborum veniam ex ex. Nisi id esse consectetur voluptate est nulla veniam voluptate in do qui Lorem. Dolore magna consequat ea officia ad ad mollit.
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 (271)
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.
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
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.
Fondements de l'apprentissage automatique
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Représentation des données : PCA
Couvre la représentation des données à l'aide de PCA pour la réduction de la dimensionnalité, en se concentrant sur la préservation du signal et l'élimination du bruit.