Séances de cours associées à Classement avec GMM

Régression logistique : Inférence statistique et apprentissage automatique

Couvre la régression logistique, la fonction de vraisemblance, la méthode de Newton et l'estimation des erreurs de classification.

Régression linéaire généralisée : classification

Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.

Règles de voisinage les plus près: Partie 2

Explore les règles de voisinage les plus proches, les défis de l'algorithme k-NN, le classificateur Bayes et l'algorithme k-means pour le regroupement.

Classement: Arbres de décision et kNN

Introduit des arbres de décision et des voisins k-nearest pour les tâches de classification, explorant des mesures comme la précision et l'ASC.

Régression logistique : modélisation et optimisation de la probabilité

Explore la régression logistique pour la classification binaire, couvrant la modélisation des probabilités, les méthodes d'optimisation et les techniques de régularisation.

Classification binaire linéaire: Perceptron, SGD, Fisher's LDA

Couvre le modèle Perceptron, SGD, et Linear Discriminant de Fisher dans la classification binaire.

Quantifier la performance: mauvaise classification et F-Measure

Couvre la quantification de la performance par le biais de vrais positifs, de faux négatifs et de faux positifs dans l'apprentissage automatique.

Régression linéaire généralisée

Explore la régression linéaire généralisée, la régression logistique et la classification multiclasses dans l'apprentissage automatique.

Modèles linéaires pour la classification: Extensions multi-classes Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les modèles linéaires pour la classification multi-classes, en se concentrant sur la régression logistique et les mesures d'évaluation.

Modèles linéaires pour la classification: Régression logistique et SVM Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les modèles linéaires pour la classification, en se concentrant sur la régression logistique et les machines vectorielles de support.

Règle discriminatoire gaussienne : Classification et limites Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la règle discriminatoire gaussienne pour la classification à l'aide de modèles de mélange gaussien et discute des limites de dessin et de la complexité du modèle.

Algorithmes de classification: approches génératives et discriminatoires Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les algorithmes de classification génératifs et discriminatifs, en mettant l'accent sur leurs applications et leurs différences dans les tâches d'apprentissage automatique.

Modélisation des signaux neurobiologiques: Chaînes Markov Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la modélisation des signaux neurobiologiques avec les chaînes Markov, en mettant l'accent sur l'estimation des paramètres et la classification des données.

Traitement d'image II: classificateurs gaussiens et réseaux neuronaux Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les classificateurs gaussiens, la classification des textures, l'estimation des paramètres, l'apprentissage supervisé et les réseaux neuronaux profonds dans le traitement d'images.

Classification linéaire : Régression logistique Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la classification linéaire en utilisant la régression logistique, la régularisation et la classification multiclasse.

L'essentiel de l'apprentissage supervisé Connectez-vous à Mediaspace pour regarder cette vidéo

Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.

Modèles de mélange gaussien : Classification des données Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les signaux de débruitage avec des modèles de mélange gaussien et l'algorithme EM, l'analyse de signal EMG et la segmentation d'image à l'aide de modèles markoviens.

Fondements de l'apprentissage automatique Connectez-vous à Mediaspace pour regarder cette vidéo

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

Régression linéaire : Fondements Connectez-vous à Mediaspace pour regarder cette vidéo

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

Gaussian Naive Bayes & K-NN Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les bayes naïfs gaussiens, les voisins les plus proches du K et le réglage hyperparamétrique dans l'apprentissage automatique.