Séance de cours

Estimation du regroupement et de la densité

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Séances de cours associées (64)

Estimation du regroupement et de la densité

Couvre les techniques de réduction de dimensionnalité, de regroupement et d'estimation de la densité, y compris l'ACP, les moyennes K, le MGM et le décalage moyen.

Réduction de la dimensionnalité : PCA et LDA

Couvre les techniques de réduction de dimensionnalité telles que PCA et LDA, les méthodes de clustering, l'estimation de la densité et la représentation des données.

Estimation du regroupement et de la densité

Couvre les algorithmes de clustering, PCA, LDA, K-means, GMM, KDE et Mean Shift pour l'estimation de la densité et le clustering.

Clustering: Apprentissage sans supervision

Explore la réduction de la dimensionnalité, les algorithmes de clustering et l'état de l'apprentissage automatique.

Groupement de comportements non supervisés

Explore les techniques de regroupement de comportement et de réduction de dimensionnalité non supervisées, couvrant des algorithmes comme K-Means, DBSCAN et Gaussian Mixture Model.

Réduction de dimensionnalité: PCA & t-SNE

Explore PCA et t-SNE pour réduire les dimensions et visualiser efficacement les données à haute dimension.

Apprentissage sans supervision : regroupement

Explore l'apprentissage non supervisé par des techniques de regroupement, des algorithmes, des applications et des défis dans divers domaines.

Apprentissage non supervisé : réduction de la dimensionnalité et regroupement

Couvre l'apprentissage non supervisé, en mettant l'accent sur la réduction de la dimensionnalité et le regroupement, en expliquant comment il aide à trouver des modèles dans les données sans étiquettes.

Apprentissage automatique: Techniques d'apprentissage supervisé et non supervisé

Couvre les techniques d'apprentissage supervisées et non supervisées dans l'apprentissage automatique, en mettant en évidence leurs applications dans la finance et l'analyse environnementale.

Apprentissage sans supervision : regroupement et réduction de dimensionnalité

Introduit l'apprentissage non supervisé en cluster avec les moyennes K et la réduction de dimensionnalité à l'aide de PCA, ainsi que des exemples pratiques.

Modèles du sujet: Allocation de dirichlet latent

Couvre des modèles thématiques, en se concentrant sur l'allocation de Dirichlet latente, le regroupement, les MGM, la distribution de Dirichlet, l'apprentissage LDA et les applications en humanités numériques.

Analyse des composantes principales : réduction de la dimensionnalité

Couvre l'analyse des composantes principales pour la réduction de dimensionnalité, en explorant ses applications, ses limites et l'importance de choisir les composantes appropriées.

Clustering des séries chronologiques

Couvre les séries chronologiques groupées à l'aide de modèles dynamiques de temps de distorsion, de chaînes de caractères et de Markov.

Clustering: Théorie et pratique

Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.

Mathématiques des données : modèles et apprentissage

Explore les modèles, les paradigmes d'apprentissage et les applications en mathématiques des données.

Analyse des documents : Modélisation des sujets

Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.

Apprentissage supervisé : arbre k-NN et arbre de décision

Introduit l'apprentissage supervisé avec k-NN et les arbres de décision, couvrant les techniques, les exemples et les méthodes d'ensemble.

Regroupement: K-means & LDA

Couvre le clustering en utilisant les propriétés K-means et LDA, PCA, K-means, Fisher LDA et le clustering spectral.

Support Vector Clustering: SVC

Introduit le Support Vector Clustering (SVC) à l'aide d'un noyau gaussien pour la cartographie spatiale des caractéristiques de grande dimension et explique ses contraintes et Lagrangian.

Fondements de l'apprentissage automatique

Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.