Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Recherche

Afficher tous les résultats pour

Accueil

Séance de cours

Kernel Trick: Comprendre l'apprentissage automatique

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (38)

Régression de la crête du noyau : formules équivalentes et théorème du représentant Connectez-vous à Mediaspace pour regarder cette vidéo

Explore Kernel Ridge Regression, formulations équivalentes, Représenter Theorem, Kernel astuce, et la prédiction avec les noyaux.

Méthodes du noyau : SVM et régression Connectez-vous à Mediaspace pour regarder cette vidéo

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.

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.

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.

Réduction de la dimensionnalité : PCA et LDA Connectez-vous à Mediaspace pour regarder cette vidéo

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.

Régression de la crête du noyau : Équivalence, Théorème du représentant et Trick du noyau Connectez-vous à Mediaspace pour regarder cette vidéo

Explore Kernel Ridge Regression, le Théorème de Représentateur, et le Kernel Trick dans l'apprentissage automatique.

Analyse des documents : Modélisation des sujets Connectez-vous à Mediaspace pour regarder cette vidéo

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

Machine vectorielle de soutien : stockage de modèles, utilisation de la mémoire et consommation d'énergie Connectez-vous à Mediaspace pour regarder cette vidéo

Explore le stockage modèle SVM, l'utilisation de la mémoire, la complexité du temps de formation et l'estimation de la consommation d'énergie.

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.

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.

Représentation des données : PCA Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la représentation des données à l'aide de PCA pour la réduction de la dimensionnalité, en se concentrant sur la préservation du signal et l'élimination du bruit.

Réduction de la dimensionnalité: PCA & LDA Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre PCA et LDA pour la réduction de dimensionnalité, expliquant la maximisation de la variance, les problèmes de vecteurs propres et les avantages de Kernel PCA pour les données non linéaires.

PCA: Concepts clés Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les concepts clés de l'analyse des composantes principales (APC) et ses applications pratiques dans la réduction de dimensionnalité des données et l'extraction des caractéristiques.

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

Couvre les bases de l'apprentissage automatique, les réseaux neuronaux, les CNN et le calibrage des modèles.

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

Introduit des techniques de régularisation pour éviter une suradaptation dans les modèles d'apprentissage automatique.

Réseaux de neurones : caractéristiques d’apprentissage et prédiction linéaire Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la capacité des réseaux de neurones à apprendre des fonctionnalités et à faire des prédictions linéaires, en soulignant l'importance de la quantité de données pour une performance efficace.

Régression logistique : Fondements et applications Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les fondamentaux de régression logistique, y compris les fonctions de coût, la régularisation et les limites de classification, avec des exemples pratiques utilisant scikit-learn.

Représentations structurelles équivariantes Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les représentations structurales équivariantes dans l'apprentissage machine atomistique, soulignant l'importance de représenter les propriétés cibles dans la base sphérique.

Page 2 sur 2