Séance de cours

Classeur voisin le plus proche: Malédiction de la dimensionnalité

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)

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.

Méthodes du noyau : SVM et régression

Introduit des méthodes de noyau telles que SVM et régression, couvrant des concepts tels que la marge, la machine vectorielle de support, la malédiction de la dimensionnalité et la régression de processus gaussien.

Classification binaire par régression: fonctions de décision et fonctions de coût

Explore la classification binaire par régression, fonctions de décision et diverses fonctions de coût.

Régression non paramétrique

Couvre la régression non paramétrique, le lissage par dispersion, les méthodes du noyau et le compromis biais-variance.

Comprendre les attributs de données

Couvre l'analyse de divers attributs de données et modèles de régression linéaire.

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.

Théorème d'approximation universelle: MLP

Couvre les perceptrons multicouches (MLP) et leur application de la classification à la régression, y compris le théorème d'approximation universelle et les défis liés aux gradients.

Apprentissage non supervisé : réduction de la dimensionnalité

Explore les techniques d'apprentissage non supervisées pour réduire les dimensions des données, en mettant l'accent sur l'APC, l'ADL et l'APC du noyau.

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.

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.

Mathématiques des données: aperçu et exemples

Couvre la minimisation empirique des risques, l'apprentissage statistique et des exemples de prédiction du cancer, de prix des maisons et de génération d'images.

Apprentissage supervisé : classification et régression

Couvre l'apprentissage supervisé, la classification, la régression, les limites de décision, le surajustement, Perceptron, SVM et la régression logistique.

Paysage et généralisation dans l'apprentissage profond

Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.

Régression linéaire généralisée : classification

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

Caractéristiques du récepteur-exploitant: Courbes ROC

Explique les courbes ROC, la courbe de rappel de précision, le RMSLE et la validation du modèle.

Apprentissage automatique: Bases et applications

Couvre les bases de l'apprentissage automatique, y compris l'apprentissage supervisé et non supervisé, la régression, la classification et le regroupement.

Modèles linéaires généralisés

Couvre les probabilités, les variables aléatoires, les attentes, les GLM, les tests d'hypothèse et les statistiques bayésiennes avec des exemples pratiques.

Modèles linéaires: Partie 1

Couvre les modèles linéaires, y compris la régression, les dérivés, les gradients, les hyperplans et la transition de classification, en mettant laccent sur la minimisation des risques et des mesures dévaluation.

Lecture 03 (2024)

Régression non paramétrique: Techniques de lissage

Explore les techniques de régression non paramétrique, y compris les splines, le compromis entre les variables de biais, les fonctions orthogonales, les ondulations et les estimateurs de modulation.