Séances de cours associées à Feature Maps et Noyaux

Explore le théorème de Mercer, les noyaux et leur rôle dans les applications d'apprentissage automatique.

Introduction à l'apprentissage automatique: modèles linéaires

Introduit des modèles linéaires pour l'apprentissage supervisé, couvrant le suréquipement, la régularisation et les noyaux, avec des applications dans les tâches d'apprentissage automatique.

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.

SVM non linéaire : Noyaux et double optimisation

Explore la transformation des données avec des cartes non linéaires, des noyaux, une double optimisation et l'interprétation des résultats SVM.

Méthodes de noyau: Machine Learning

Couvre les méthodes du noyau dans l'apprentissage automatique, en se concentrant sur le surajustement, la sélection du modèle, la validation croisée, la régularisation, les fonctions du noyau et la SVM.

Clustering: Apprentissage sans supervision

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

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.

Représentations unitaires : Lemme de Schur

Explique le lemme de Schur sur les représentations unitaires et leurs propriétés d'irréductibilité et d'invariance.

Méthodes de noyau: Réseaux neuronaux

Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.

Réduction de dimensionnalité: PCA & Codeurs automatiques

Explore PCA, Autoencoders, et leurs applications dans la réduction de dimensionnalité et la production de données.

Kernel Methods: Calcul efficace du produit

Démontre un calcul de produit par points efficace et introduit des limites non linéaires dans l'espace d'origine.

Regroupement: K-means & LDA

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

Comprendre les auto-encodeurs

Explore les autoencodeurs, des mappages linéaires en PCA aux mappages non linéaires, aux autoencodeurs profonds et à leurs applications.

Amandes : Transformations non linéaires Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les noyaux pour simplifier la représentation des données et la rendre linéairement séparable dans les espaces de fonctionnalités, y compris les fonctions populaires et les exercices pratiques.

Régression du noyau : bases et applications Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la régression du noyau, la malédiction de la dimensionnalité et les caractéristiques aléatoires des réseaux neuronaux.

Extension de la fonctionnalité: Amandes et KNN Connectez-vous à Mediaspace pour regarder cette vidéo

Les couvertures comportent l'expansion, les noyaux et les voisins K-nearest, y compris la non-linéarité, SVM, et les noyaux gaussiens.

Régression du noyau : K-nearest Neighbors Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre le concept de régression du noyau et les voisins les plus proches de K pour rendre les données linéairement séparables.

Récapitulation des réseaux neuraux : fonctions d'activation Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les bases des réseaux neuronaux, des fonctions d'activation, de la formation, du traitement d'image, des CNN, de la régularisation et des méthodes de réduction de dimensionnalité.

Expansion des fonctionnalités et des amandes Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre l'expansion des fonctionnalités, les noyaux, SVM, et la classification non linéaire dans l'apprentissage automatique.

Soutenez des machines à vecteurs : Kernel Tricks Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les astuces du noyau dans les machines vectorielles de support pour un calcul efficace dans les espaces de grande dimension sans transformation explicite.