Introduit les bases de l'apprentissage automatique, en mettant l'accent sur l'utilisation de Piazza pour les communications liées à la classe et les exercices pratiques en Python.
Introduit les bases de l'apprentissage automatique, couvrant l'apprentissage supervisé, l'apprentissage par renforcement et la réduction des dimensions.
Explore l'optimisation convexe, les fonctions convexes et leurs propriétés, y compris la convexité stricte et la convexité forte, ainsi que différents types de fonctions convexes comme les fonctions et les normes affines linéaires.
Explore les régressions paramétriques, en mettant l'accent sur la simplicité et la complexité des compromis de régression linéaire entre les modèles paramétriques et non paramétriques.
Explore les astuces du noyau dans les machines vectorielles de support pour un calcul efficace dans les espaces de grande dimension sans transformation explicite.
Explore la réduction des dimensions et la malédiction de la dimensionnalité, en mettant en évidence la relation exponentielle entre les exemples et la dimension.
Explore la sélection de variables à travers des méthodes de filtrage et de corrélation dans l'apprentissage automatique, en mettant l'accent sur la quantification de la pertinence et la mesure des relations avec l'étiquette.
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.