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.
Introduit le classificateur Naive Bayes, qui couvre les hypothèses d'indépendance, les probabilités conditionnelles et les applications dans la classification des documents et le diagnostic médical.
Introduit la classification des documents en utilisant des fonctionnalités telles que les mots et les métadonnées, et des modèles tels que k-Nearest-Neighbors et word embeddings.
Couvre l'inférence statistique, l'apprentissage automatique, les SVM pour la classification des pourriels, le prétraitement des courriels et l'extraction des fonctionnalités.
Couvre les Perceptrons multicouches, les neurones artificiels, les fonctions d'activation, la notation matricielle, la flexibilité, la régularisation, la régression et les tâches de classification.
Explore la classification des données textuelles, en se concentrant sur des méthodes telles que les bayes naïques et les techniques de réduction de la dimensionnalité telles que l'analyse des composantes principales.
Explore les modèles linéaires pour la classification, y compris la classification binaire, la régression logistique, les limites de décision et les machines vectorielles de support.
Couvre le clustering, la classification et le support des principes, des applications et de l'optimisation des machines vectorielles, y compris la classification non linéaire et les effets du noyau gaussien.
Couvre l'utilisation de machines vectorielles de support pour la classification multi-classes et l'importance des vecteurs de support dans les limites de classification de serrage.
Offre des informations sur la physique statistique de l'apprentissage, explorant la relation entre la structure du réseau neuronal et les systèmes désordonnés.
Explore les transformateurs et les MLP pour la classification des documents, en mettant l'accent sur leurs avantages par rapport aux méthodes traditionnelles.
Explore les défis d'apprentissage avec les déplacements de distribution et la géométrie de perturbation, en mettant l'accent sur des classificateurs robustes et la modélisation de variation naturelle.
Explore la recherche de documents, la classification, l'analyse des sentiments et la détection de sujets dans l'analyse de texte à l'aide de modèles d'apprentissage supervisé et de sacs de mots.
Explore l'apprentissage supervisé en économétrie financière, en mettant l'accent sur les algorithmes de classification comme Naive Bayes et la régression logistique.
