Explore l'évaluation des modèles avec K-Nearest Neighbor, couvrant la sélection optimale de k, les mesures de similarité et les mesures de performance pour les modèles de classification.
S'insère dans l'évaluation du modèle, couvrant la théorie, l'erreur de formation, l'erreur de prédiction, les méthodes de rééchantillonnage et les critères d'information.
Explore le surajustement, la validation croisée et la régularisation dans l'apprentissage automatique, en mettant l'accent sur la complexité du modèle et l'importance de la force de régularisation.
Explore les logiciels validés pour la validation continue du système dans des environnements critiques pour la sécurité, en soulignant l'importance de l'assurance en temps réel anticipée et de la validation au niveau sémantique.
Souligne l'importance d'une validation croisée prudente dans les réseaux neuronaux profonds, y compris la division des données et le concept de validation croisée K-fold.
Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.
Couvre l'interprétation des estimations du risque de validation croisée et la construction d'un prédicteur final à partir des résultats de validation croisée.
Introduit des techniques pour obtenir des estimations impartiales du risque des prédicteurs appris et leur application pour l'accord hyperparamétrique.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Couvre l'échantillonnage, la validation croisée, la quantification des performances, la détermination optimale du modèle, la détection des surajustements et la sensibilité de classification.
Explore la généralisation, la sélection des modèles et la validation dans l'apprentissage automatique, en soulignant l'importance de l'évaluation impartiale des modèles.
Explore les méthodes de régularisation dans les réseaux neuronaux, en soulignant l'importance des bases d'entraînement et de validation pour éviter les surajustements.
Explore le sous-ajustement, le surajustement, les hyperparamètres, le compromis biais-variance et l'évaluation de modèle dans l'apprentissage automatique.
Explore les paramètres de simulation hydroacoustique, la modélisation des oscillations de masse et les erreurs de validation dans les installations hydroélectriques.
