Régression linéaire : basiques et descente progressive

Cette séance de cours présente les bases de la régression linéaire, couvrant des sujets tels que l'ingénierie des caractéristiques, la régression logistique et l'éthique dans l'IA. Il explique la définition de l'apprentissage automatique, les ingrédients du ML et les types d'expériences d'apprentissage. La séance de cours se penche sur l'apprentissage supervisé contre l'apprentissage non supervisé, à l'aide d'exemples comme Iris Unlabeled et Palmer Penguins 2. Il traite de la différence entre les ensembles de données supervisés et non supervisés, montrant l'ensemble de données Palmer Penguins 2. La séance de cours explore également les concepts de régression par rapport à la classification, en les illustrant avec des exemples comme la prévision des prix des maisons à Portland. En outre, il explique le processus de minimisation de la fonction de coût à l'aide de techniques comme l'équation normale et la descente du gradient.