Introduit des concepts d'apprentissage automatique appliqués tels que la collecte de données, l'ingénierie des caractéristiques, la sélection des modèles et les mesures d'évaluation du rendement.
Explore l'apprentissage supervisé en mettant l'accent sur les méthodes de régression, y compris l'ajustement des modèles, la régularisation, la sélection des modèles et l'évaluation du rendement.
Explore les arbres de décision, de l'induction à l'élagage, en mettant l'accent sur l'interprétabilité et les forces de sélection automatique des fonctionnalités, tout en abordant des défis tels que l'ajustement excessif.
Explore les méthodes de sélection de variables dans l'apprentissage automatique, y compris les approches de sous-ensemble et de conteneur, en utilisant des procédures exhaustives et gourmandes.
Explorer l'analyse des composantes principales pour la réduction des dimensions des ensembles de données et ses implications pour les algorithmes d'apprentissage supervisés.
Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.
Explore la classification des images en utilisant des arbres de décision et des forêts aléatoires pour réduire la variance et améliorer la robustesse du modèle.