Séances de cours associées à Sans titre

Apprentissage supervisé : Régression linéaire

Couvre l'apprentissage supervisé en mettant l'accent sur la régression linéaire, y compris des sujets comme la classification numérique, la détection des pourriels et la prédiction de la vitesse du vent.

Régression linéaire : Fondements

Couvre les bases de la régression linéaire dans l'apprentissage automatique, y compris la formation des modèles, les fonctions de perte et les mesures d'évaluation.

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.

Régression linéaire : Inférence statistique et régularisation

Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.

Fondements de l'apprentissage automatique

Couvre les principes fondamentaux et les méthodes de l'apprentissage automatique, y compris les techniques d'apprentissage supervisé et non supervisé.

Introduction à l'apprentissage automatique: Principes fondamentaux de la régression

Présente les principes fondamentaux de la régression dans l'apprentissage automatique, couvrant la logistique des cours, les concepts clés et l'importance des fonctions de perte dans l'évaluation des modèles.

Descente progressive et régression linéaire

Couvre la descente du gradient stochastique, la régression linéaire, la régularisation, l'apprentissage supervisé et la nature itérative de la descente du gradient.

Introduction à l'apprentissage automatique : apprentissage supervisé

Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.

Régression linéaire: Introduction et formation

Couvre la formation de régression linéaire pour trouver la meilleure ligne pour des points de données donnés, essentielle pour prédire les prix des maisons.

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.

Principes fondamentaux de l'apprentissage supervisé Connectez-vous à Mediaspace pour regarder cette vidéo

Présente les principes fondamentaux de l'apprentissage supervisé, y compris les fonctions de perte et les distributions de probabilité.

Arbres de régression et méthodes d'ensemble dans l'apprentissage automatique Connectez-vous à Mediaspace pour regarder cette vidéo

Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.

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 et régression logistique Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.

Overfitting dans l'apprentissage supervisé: études de cas et techniques Connectez-vous à Mediaspace pour regarder cette vidéo

Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.

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

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

Apprentissage supervisé en économétrie financière Connectez-vous à Mediaspace pour regarder cette vidéo

Explore l'apprentissage supervisé en économétrie financière, couvrant la régression linéaire, l'ajustement du modèle, les problèmes potentiels, les fonctions de base, la sélection de sous-ensembles, la validation croisée, la régularisation et les forêts aléatoires.

Régression linéaire : fondements et applications Connectez-vous à Mediaspace pour regarder cette vidéo

Introduit la régression linéaire, couvrant ses fondamentaux, ses applications et ses mesures d'évaluation dans l'apprentissage automatique.

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

Couvre les bases de l'apprentissage automatique, y compris les techniques supervisées et non supervisées, la régression linéaire et la formation des modèles.

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

Introduit les bases de l'apprentissage automatique, couvrant l'apprentissage supervisé et non supervisé, la régression linéaire et la compréhension des données.