Concept

Séparation des convexes

Séances de cours associées (31)

Espace projectif et ensembles algébriques

Présente l'espace projectif et les ensembles algébriques, discutant des coordonnées homogènes, des idéaux et des générateurs.

Régression linéaire : Fondements

Couvre les bases de la régression linéaire, en se concentrant sur la minimisation des erreurs et la prédiction des sorties.

Soutenez des machines de vecteur : Maximiser la marge

Explore les machines vectorielles de support, maximisant la marge pour une classification robuste et la transition vers la SVM logicielle pour les données séparables non linéairement.

Perceptron: Partie 2

Couvre l'algorithme Perceptron et son application aux problèmes de classification binaire, y compris l'algorithme Pocket Perceptron.

Exemples implicites de différenciation

Couvre des exemples d'équations implicites de différenciation et de résolution impliquant des fonctions trigonométriques.

Assomption du Machine Learning

Explore la philosophie de l'apprentissage automatique et l'importance des hypothèses de fluidité dans les ensembles d'entraînement.

Régression linéaire : Fondements

Couvre les bases de la régression linéaire, de la classification binaire et multiclasse, et des mesures d'évaluation.

Introduction : classification par un perceptron simple

Couvre le concept d'un perceptron simple et sa capacité à résoudre des problèmes linéairement séparables en imposant un hyperplan de séparation.

Différenciation et plan tangent dans les fonctions multivariables

Explique la différentiabilité dans les fonctions multivariables et l'interprétation géométrique des plans tangents.

Optimisation convexe : Lemme de Farkas

Couvre le lemme de Farkas, explorant la relation entre les programmes linéaires et les conditions de sa validité.

Optimisation convexe : dualité et conditions KKT

Explore la dualité d'optimisation convexe, les conditions KKT et la détection d'arbitrage financier.